Autor: rjcastillolopez

El sector agrícola tiene una larga historia de innovación y adopción de nuevas tecnologías para aumentar la productividad, gestionar el riesgo y mejorar la sostenibilidad ambiental, social y económica. El uso de tecnologías digitales y la innovación relacionada, por parte de los agricultores y también de los responsables políticos y administradores, es otro paso en esta historia, que ofrece nuevas oportunidades pero también nuevos desafíos. La Recomendación del Consejo sobre Estrategias de Gobierno Digital de la OCDE define las “tecnologías digitales” como:

TIC [tecnologías de la información y la comunicación], incluida Internet, tecnologías y dispositivos móviles, así como análisis de datos utilizados para mejorar la generación, recopilación, intercambio, agregación, combinación, análisis, acceso, capacidad de búsqueda y presentación de contenido digital, incluso para el desarrollo de servicios y aplicaciones. (OCDE, 2014 [1])

La definición abarca las tecnologías de la información y la comunicación (TIC) existentes, muchas de las cuales se han utilizado en la agricultura desde sus inicios; por ejemplo, los datos del satélite Landsat se han utilizado para generar mapas de suelo y uso de la tierra, para el seguimiento de la producción agrícola mundial y GPS desde 1972 (Leslie, Serbina y Miller, 2017 [2]) . En muchos casos, los avances recientes han ampliado sustancialmente la amplitud, la escala y la inmediatez de lo que estas tecnologías pueden ofrecer. Avances in situy las tecnologías de teledetección han aumentado en gran medida la resolución espacial y temporal de las mediciones físicas y han permitido la medición automatizada y de bajo costo de muchos aspectos de la producción agrícola que antes solo podían medirse de manera limitada, por ejemplo, en puntos discretos en tiempo por un observador humano que realiza una visita de campo. Los avances en las tecnologías masivas de adquisición, almacenamiento, comunicación y procesamiento de datos han permitido la rápida transferencia de grandes cantidades de datos que no hubieran sido posibles ni siquiera hace una década, y han aumentado enormemente la capacidad de procesar grandes conjuntos de datos y automatizar los procesos analíticos con aprendizaje automático.

Estos avances tecnológicos se han producido en el contexto de la evolución de los desafíos locales y globales que enfrenta el sistema alimentario, incluida la creciente necesidad de producir más alimentos con menos recursos, lo que ha llevado a cambios en los objetivos de las políticas. La sostenibilidad no es un objetivo nuevo de las políticas agrícolas; sin embargo, es un objetivo que ha sido difícil de integrar eficazmente en la combinación de políticas agrícolas (OCDE, 2017 [3] ; OCDE, 2013 [4]) .

Las políticas agrícolas evolucionan conjuntamente con el progreso tecnológico; cada uno impulsa y es moldeado por el otro. Las primeras oleadas de progreso tecnológico en la agricultura introdujeron la mecanización, variedades de semillas más resistentes y de mayor rendimiento, y la primera incursión en la agricultura de precisión con la adopción de GPS basado en satélites para la orientación de maquinaria agrícola. En algunos casos, estas oleadas anteriores hicieron un uso extensivo de los datos, por ejemplo, en el desarrollo de la reproducción convencional y la ingeniería genética. Sobre la base de estos avances pasados, la ola actual de progreso tecnológico se centra en la creación, uso, combinación, análisis e intercambio de datos agrícolas y de otro tipo en formato digital para mejorar la sostenibilidad y la productividad de la agricultura y los sistemas alimentarios. 1 Este capítulo resume brevemente las innovaciones tecnológicas clave en esta ola más reciente, así como los impulsores clave para la adopción de tecnología digital en el sector agrícola.

2.1. Resumen de las innovaciones digitales recientes y en curso para la agricultura y la alimentación
Una gama de nuevas tecnologías promete mejorar la eficiencia e impactar significativamente los modelos de negocio en el sector agrícola. Estas tecnologías se pueden agrupar de acuerdo con su función en relación con los datos, definida en términos generales para incluir cualquier información disponible en lenguaje de máquina ( Tabla 2.1 ). Las categorías clave son recopilación de datos, análisis de datos, almacenamiento de datos, gestión de datos y transferencia e intercambio de datos. La categoría de transferencia e intercambio de datos incluye tecnologías que utilizan la transferencia o el intercambio de datos para facilitar otros tipos de transacciones, como la transferencia de propiedad o valor, la comunicación (entre humanos o dispositivos digitales) y servicios prestados digitalmente.

Muchas de estas tecnologías pueden ser utilizadas directamente por los encargados de formular políticas y los administradores (sección 2.2). Es poco probable que otros (p. Ej., Software para automatizar maquinaria agrícola) sean utilizados directamente por los encargados de formular políticas y los administradores, pero son, sin embargo, relevantes para mejorar la formulación de políticas porque son capaces de producir, compartir, gestionar (p. Ej., Almacenar de forma segura) o analizar datos relevantes para las políticas. . Además, las políticas pueden diseñarse teniendo en cuenta estas tecnologías: si bien este trabajo no se centra directamente en las políticas destinadas a fomentar la adopción en los sectores agrícola y alimentario 2 , las políticas agrícolas y agroambientales pueden alterar los incentivos para que los agricultores y otros actores adopten ciertas tecnologías.

Algunas de las tecnologías enumeradas en la Tabla 2.1 han existido de alguna forma durante muchos años, pero los avances recientes han mejorado enormemente la capacidad de obtener, analizar, administrar o transferir datos que son relevantes para las políticas agrícolas, incluso reduciendo el costo y aumentando la velocidad. de recopilación, análisis y difusión de datos.

Las subsecciones a continuación brindan una descripción general de las innovaciones tecnológicas e institucionales recientes clave e identifican algunos de los factores que impulsan la digitalización en los sectores agrícola y alimentario. Las formas específicas en las que estas tendencias pueden beneficiar la formulación de políticas, o el sector agrícola en general, se identifican en los capítulos siguientes.

Cuadro 2.1. Tecnologías digitales para la agricultura y la alimentación
Propósito tecnológico

Categoría

Subcategoría

Tecnologías de recopilación de datos a

Sensores remotos

Sistemas de monitoreo / adquisición de datos montados por satélite

Sistemas de monitoreo / adquisición de datos montados en UAV / drones

Sistemas de monitoreo / adquisición de datos de aeronaves tripuladas

Detección in situ

Medidores de cantidad de agua

Sensores de calidad del agua a , sensores de calidad del aire a

Sensores meteorológicos in situ a

En situ monitores de suelo una

Biodiversidad in situ, especies invasoras o monitores de plagas

Monitores de cultivos

Monitores de ganado

Datos de maquinaria agrícola de precisión

Recopilación de datos de crowdsourcing

‘Juegos serios’ para recopilar datos agroambientales b

Ciencia ciudadana c

Encuestas / censos en línea

Portales de recopilación de datos (por ejemplo, censos en línea)

Recopilación de datos financieros / de mercado

Datos de escáner minorista

Software empresarial para registrar información financiera o de mercado (por ejemplo, sistemas de entrada de bases de datos)

Tecnologías de análisis de datos

Herramientas analíticas basadas en GIS y sensores

Modelado de elevación digital

Mapeo de uso de suelo-cobertura de suelo

Modelado de cuencas hidrográficas

Mapeo de suelos

Modelado de paisajes

Software (programas, aplicaciones) para traducir datos de sensores y otros datos de la granja en información procesable

Software para automatizar maquinaria agrícola que utiliza sensores u otros datos agrícolas como entrada d

Software para medir y clasificar los productos agrícolas (por ejemplo, software de clasificación de canales)

Análisis de datos de crowdsourcing

Aplicaciones de crowdsourcing para clasificación / etiquetado de datos

Aprendizaje profundo / IA

Algoritmos de limpieza de datos

Algoritmos de análisis de big data

Aprendizaje automático

Analítica predictiva

Tecnologías de almacenamiento de datos

Almacenamiento de datos seguro y accesible

Almacenamiento en la nube

Computación confidencial e

Centros de datos virtuales

Tecnologías de gestión de datos

Tecnologías de gestión de datos

Tecnologías de contabilidad distribuida (por ejemplo, Blockchain)

Programas y aplicaciones de interoperabilidad

Transferencia e intercambio de datos: comunicaciones digitales; plataformas de comercio, pago y prestación de servicios

Tecnologías de comunicación digital

Tecnologías de visualización de datos digitales

Medios de comunicación social

Videoconferencia basada en web

Comunicación asistida por máquina (por ejemplo, chatbots, algoritmos de generación de lenguaje natural)

Plataformas en línea: derechos de propiedad, pagos, servicios y mercados

Registros de permisos y derechos de propiedad en línea

Plataformas comerciales en línea

Crowdfunding basado en plataformas para servicios agrícolas y agroecosistémicos

Plataformas de pago online (para programas públicos)

Plataformas de prestación de servicios

a. Los avances en la tecnología de sensores se componen no solo de avances en tecnologías digitales y, en particular, avances en la creación de redes de sensores inalámbricos, sino también de innovaciones en física o química. Por ejemplo, los avances en nanotecnología han sido fundamentales para el desarrollo de los sensores físicos más avanzados que existen en la actualidad. Este proyecto se centra en los componentes digitales de las tecnologías de sensores y los servicios relacionados.

segundo. Los juegos serios son aplicaciones disponibles públicamente que buscan emplear el esfuerzo de los ciudadanos para la recopilación o el procesamiento de datos. Estas aplicaciones tienen “un propósito serio pero [incluyen] elementos de gamificación (es decir, la adición de elementos de juego a aplicaciones existentes) para ayudar a motivar a los voluntarios (Bayas et al., 2016 [5]) . En el contexto agrícola, los juegos serios hasta la fecha se han utilizado principalmente para el monitoreo y clasificación del uso del suelo y la cobertura del suelo.

C. Las tecnologías de ciencia ciudadana son tecnologías que facilitan el “compromiso y la participación del público en la ciencia y la innovación” (Declaración de Daejeon, 2015 [6]).

re. En relación con las tecnologías que automatizan la maquinaria agrícola, como los sistemas de ordeño automatizados, sembradoras y cosechadoras, y los sistemas de riego, este proyecto se centra en los componentes de sensores y software y los servicios relacionados de estas tecnologías.

mi. Ver recuadro 2.2.

2.1.1. Global y local: avances recientes en teledetección y monitoreo de borde de campo
Se ha avanzado mucho recientemente en el uso de la teledetección basada en satélites para producir productos de datos de mayor resolución (tanto espacial como temporal) y más precisos para la agricultura. Según Atzberger (2013 [7]), “los datos de detección de emociones pueden contribuir en gran medida a la tarea de seguimiento [agrícola] al proporcionar información oportuna, sinóptica, rentable y repetitiva sobre el estado de la superficie de la Tierra”. Puede proporcionar información completa sobre la superficie cultivada, la biomasa y el rendimiento, el seguimiento de los factores estresantes (por ejemplo, la sequía), así como información precisa sobre las acciones de gestión de las explotaciones, como las rotaciones de cultivos, y las estructuras como los edificios agrícolas, las cercas, las zonas de amortiguamiento de conservación, etc.

Gholizadeh, Melesse y Reddi (2016 [8]) proporcionan un estudio detallado (alrededor de 2016) de la evolución de los sensores espaciales y aéreos que proporcionan datos para la evaluación de la calidad del agua. Su análisis muestra una resolución espacial en constante aumento (incluido el lanzamiento de varios satélites durante el período 2007-2014 que proporcionan una resolución inferior al metro), así como una disminución constante en el tiempo entre visitas de más de dos semanas para la mayoría de los satélites en el período antes de 2000, a alrededor de 1-2 días más recientemente. Gómez, White y Wulde r (2016 [9]) De manera similar, explique que, hasta hace poco, los mapas de cobertura terrestre generalmente se basaban en datos de resolución relativamente gruesa (> 1 km), pero que ahora ha habido un aumento significativo en la captura de datos de resolución media (10m-100m) por satélites de observación terrestre. Pettorelli, Safi y Turner (2014 [10]) se refieren a los datos proporcionados por los satélites EU Sentinel como un «cambio de juego» para los esfuerzos globales para monitorear la biodiversidad (tanto en tierras agrícolas como en otras tierras). Bégué et al. (2018 [11]), revisando el potencial de la teledetección para proporcionar datos sobre las prácticas de cultivo, análogamente tenga en cuenta que se espera que los satélites Sentinel superen las limitaciones y limitaciones anteriores y mejoren la capacidad para detectar tipos de uso de la tierra pequeños y fragmentados (por ejemplo, áreas irrigadas) y obtener información regional y datos globales sobre prácticas de labranza del suelo. Estos avances allanan el camino para un mayor uso de productos de datos basados ​​en satélites para proporcionar datos a nivel de campo, a nivel de paisaje e incluso a nivel mundial para mejorar las políticas agrícolas de diversas formas. El recuadro 2.1 proporciona más detalles sobre el programa Copernicus de la UE.

Recuadro 2.1. El uso de la teledetección por el Centro Común de Investigación de la Unión Europea y el programa de Seguimiento de los Recursos Agrícolas (MARS)
Los satélites Sentinel del programa medioambiental Copernicus de Europa se utilizan, entre otras cosas, para estudiar los cambios en la agricultura de forma semanal, con una resolución de 10 metros y con una política de datos abiertos y gratuitos. El Centro Común de Investigación de la Unión Europea (JRC) ha estado utilizando datos satelitales para identificar información sobre áreas de cultivos y rendimientos desde 1988. Los datos satelitales permiten observar los cambios en el uso de la tierra: qué cultivos se están cultivando, qué tan bien se están desarrollando, etc. Estos datos se pueden utilizar para predecir el rendimiento estacional y para ayudar a pensar en cómo hacer frente a las bajas cosechas en varios lugares del mundo. Esto incluye la previsión del rendimiento de los cultivos, lo que permite advertir con anticipación sobre la escasez y el fracaso de los cultivos y apoyar la ayuda para los países con inseguridad alimentaria.

Una mayor precisión de los datos de satélite permite una gestión y un seguimiento más eficaces y eficientes de la Política Agrícola Común (PAC) . La mayor capacidad de los satélites permite un mejor monitoreo remoto de la agricultura, con medición de áreas de campo, identificación de tipos de cultivos, geolocalización de características del paisaje y evaluación de impactos ambientales.

Varias agencias de toda Europa (incluidas España, Lituania, Grecia, Reino Unido, Serbia, Bélgica, República Checa, Eslovenia, Rumanía y Países Bajos) están probando el potencial de estos datos para simplificar los procesos y agilizar el seguimiento. El monitoreo que anteriormente cubría solo el 5% de los productores ahora puede extenderse al 100%, cambiando potencialmente el diseño de la política y la implementación de la PAC (ver el proyecto Sen4CAP para la modernización y simplificación de la PAC en el plazo posterior a 2020). Para un análisis más detallado del uso de la teledetección para la administración del CAP, (ver Cuadro 3.7 en la sección 3.2.5.

Fuente : proyectos JRC, Copernicus y Sen4CAP.

Los avances en los vehículos aéreos no tripulados (UAV, drones) y el diseño de sensores remotos también han reducido drásticamente el costo y mejorado la eficacia de la teledetección aérea. Esto ha abierto un nuevo campo: el uso de vehículos aéreos no tripulados para la conservación 3 (también denominado “conservación de drones”) (Koh y Wich, 2012 [12]).. La teledetección aérea también se está volviendo cada vez más importante como fuente de datos para la cartografía de alta resolución (por ejemplo, cobertura y uso de la tierra, elevación, suelos, cuencas hidrográficas, etc.), especialmente para áreas remotas y para áreas con alta nubosidad que impiden algunos tipos. de sensores basados ​​en satélites. Los UAV también ofrecen la oportunidad de capturar mejores datos específicos de especies relevantes para las políticas de biodiversidad, al automatizar los conteos de vida silvestre y mejorar en gran medida la precisión y el nivel de detalle de los indicadores de biodiversidad (Hodgson et al., 2018 [13] ; Arts, van der Wal y Adams, 2015 [14]). Los usos de los vehículos aéreos no tripulados en las granjas como parte de los sistemas de agricultura de precisión también se están multiplicando: por ejemplo, la evidencia preliminar sugiere que los agricultores pueden usar drones para disminuir significativamente el costo de monitorear el crecimiento de los cultivos, aumentar la resolución de datos e identificar áreas que presentan problemas potenciales (p. Ej. identificación de áreas de bajo rendimiento, identificación más temprana y rápida de plagas o enfermedades) (Jarman, Vesey y Febvre, 2016 [15] ; Hunt y Daughtry, 2018 [16]) .

También se han producido rápidos avances tecnológicos en la monitorización de borde de campo (EOFM). Para su aplicación en la calidad del agua, Daniels et al. (2018, p. 5 [17]) señalan que en un período de tiempo relativamente corto, EOFM “ha evolucionado como un concepto de investigación y una herramienta a una práctica de rutina para documentar la calidad del agua de escorrentía en granjas reales en funcionamiento”. Harmel y col. (2018 [18]) proporcionan una breve historia de EOFM, señalando que el uso generalizado de dispositivos de muestreo electrónico comenzó en la década de 1990. También surgió el muestreo electrónico automatizado, que se volvió más común en la década de 2000. La investigación actual se centra en reducir el costo de los sistemas de muestreo, realizar más mejoras prácticas y diseñar métodos para medir la incertidumbre. Daniels y col. (2018 [17])tenga en cuenta que el costo sigue siendo un obstáculo que impide la adopción generalizada de EOFM por parte de los agricultores y que puede haber un papel para el gobierno para proporcionar asistencia financiera para EOFM; por ejemplo, los autores señalan que, reconociendo el valor de EOFM para monitorear el desempeño de las actividades de conservación en la finca, el USDA NRCS ahora ofrece asistencia de costo compartido para varias actividades de EOFM.

2.1.2. Automatización y aceleración del análisis: la nueva capacidad para recolectar, combinar y analizar datos en agricultura y alimentos
El uso de datos digitales en la agricultura se introdujo por primera vez como una fuente de crecimiento de la productividad a través de la agricultura de precisión. 4 Al principio, la agricultura de precisión implicaba principalmente el uso de sistemas de orientación, monitoreo de rendimiento, aplicación de tasa variable, 5 transmisión a larga distancia de información computarizada (telemática) y gestión de datos (OCDE, 2016 [19]) . Se desarrolló una plétora de sistemas no relacionados para recopilar datos sobre las actividades y el desempeño en la finca, como la variación del rendimiento y las características de los activos de producción.

Sin embargo, aunque se adquiría y utilizaba una gran cantidad de datos para diversos fines específicos, muchos de ellos no se podían combinar con otros datos y no se podían reutilizar fácilmente más allá del propósito inicial previsto. Además, gran parte de los datos agrícolas a los que tienen acceso otros actores, como gobiernos, investigadores y el público, se ha presentado solo en forma agregada; Por tanto, el uso de datos a nivel de animal, campo o granja individual ha sido costoso y limitado.

Una de las razones clave por las que los datos no se han utilizado en todo su potencial hasta la fecha es que los agricultores a menudo carecían de las herramientas y habilidades para explotar completamente los datos y usarlos para la toma de decisiones. La incapacidad de vincular datos a través de sistemas, cada uno centrado en una tarea específica, impidió conocer la relación entre ciertas prácticas de gestión y dentro del sistema agrícola, al menos en ausencia de una costosa síntesis manual de datos. Un solo punto de datos no tiene mucho sentido sin un contexto, puntos de referencia, tendencias o referencias causales. Si bien estos datos pueden ser informativos individualmente, los conocimientos obtenidos se pueden multiplicar considerablemente si se pueden combinar datos de diferentes tipos y de diferentes fuentes 6 .

Varias innovaciones tecnológicas han aumentado significativamente recientemente la capacidad de recopilar, agregar, procesar y analizar datos agrícolas: adquisición masiva de datos, almacenamiento, comunicación y tecnologías de procesamiento. Estas innovaciones permiten la digitalización y datificación de la agricultura:

Digitalización : conversión de datos y procesos analógicos a un formato legible por máquina (OCDE, 2019 [20]) . Muchos tipos de datos agrícolas se guardaban anteriormente en sistemas de archivo en papel. Por tanto, la digitalización no crea nuevos datos, sino que al convertir los datos existentes a formato digital permite que los datos se utilicen y transfieran de nuevas formas.

Dataficación : es la transformación de la acción en datos digitales cuantificados, lo que permite el seguimiento en tiempo real y el análisis predictivo. La datificación toma procesos y actividades no registrados previamente y produce datos que se pueden monitorear, rastrear, analizar y optimizar (Naimi y Westreich, 2014 [21]) .

Las TIC, incluida Internet y el desarrollo de sensores conectados que transforman el mundo analógico en datos legibles por máquinas, aprovechan cada vez más grandes volúmenes de datos digitales. La datificación y la digitalización juntas no solo han expandido rápidamente el volumen de datos agrícolas registrados en formato digital, sino que también han expandido la cobertura de datos a muchos aspectos de la producción agrícola y las variables asociadas de interés, incluidas las políticas públicas (por ejemplo, descarga de desechos, nutrientes de las granjas ) para los que no se disponía de datos anteriormente.

Estos grandes flujos de datos, y la capacidad de combinarlos, se denominan «big data» (OCDE, 2015 [22]) . 7 El acceso y procesamiento de estos grandes volúmenes, habilitados por una mayor potencia informática, a su vez permiten inferir relaciones, establecer dependencias y realizar predicciones de resultados y comportamientos (OCDE, 2015 [23]) , informando la toma de decisiones en tiempo real.

De hecho, tener más datos no es suficiente. Pero combinado con el progreso en la capacidad de comunicación y procesamiento, estos datos se utilizan progresivamente para crear conocimiento y brindar asesoramiento sobre los procesos de producción, e incluso para automatizar algunas actividades en la granja. Esto se conoce como información práctica 8 a nivel de finca ( Figura 2.1): los agricultores pueden beneficiarse del conocimiento creado a lo largo del tiempo en su propia explotación, pero también de otros, ya sean compañeros o instituciones de investigación y desarrollo. No obstante, convertir los datos en información útil generalmente requiere modelos y algoritmos, así como conocimiento sobre factores como la calidad de los datos y la tolerancia a errores para cada fuente de datos. Estos proporcionan la base para nuevas formas de conocimiento y nuevos servicios y herramientas, con el potencial de generar cambios significativos en las prácticas agrícolas, así como en las cadenas de valor agrícolas y alimentarias (Wolfert et al., 2017 [24]) . Esta combinación de agricultura de precisión con digitalización ha dado lugar a etiquetas como “agricultura 4.0” o “agricultura digital inteligente”.

La combinación de datos se ve facilitada aún más por la computación en la nube, que permite acceder a los recursos informáticos de una manera flexible bajo demanda con un bajo esfuerzo de gestión (OCDE, 2014 [25]) . La computación en la nube ofrece la capacidad para que los datos se almacenen y agreguen en ubicaciones distintas de donde se crean o utilizan, lo que respalda el análisis de macrodatos (OCDE, 2016 [26]) .

Finalmente, todas estas innovaciones han apuntalado los avances en Inteligencia Artificial (IA), definida como la capacidad de las máquinas y sistemas para adquirir y aplicar conocimientos y para llevar a cabo comportamientos inteligentes (OCDE, 2016 [26]) . La IA ayuda a las computadoras a interactuar, razonar y aprender como seres humanos para permitirles realizar una amplia variedad de tareas que normalmente requieren inteligencia humana, como la percepción visual, el reconocimiento de voz, la toma de decisiones, la traducción entre idiomas y la demostración de capacidad para moverse y manipular objetos en consecuencia. Los sistemas inteligentes utilizan una combinación de análisis de macrodatos, computación en la nube, comunicación de máquina a máquina e Internet de las cosas (IoT) para operar y aprender (OCDE, 2017 [27]) .

La disponibilidad de estas nuevas herramientas permite la creación de nueva información y, en particular, «conocimientos prácticos» no solo para los agricultores, sino también para los reguladores y los responsables de la formulación de políticas que exigen cada vez más datos para respaldar la formulación de políticas. políticas y servicios impulsados ​​” (OCDE, 2014 [1]) , y ver el caso de estudio 8 para ver un ejemplo en Estonia).

Figura 2.1. Revolución tecnológica para la producción de conocimientos prácticos en agricultura
Figura 2.1. Revolución tecnológica para la producción de conocimientos prácticos en agricultura
Nota : Esta figura hace uso del término Inteligencia Artificial (IA), introducido en 1956 y definido como un concepto amplio de máquinas capaces de realizar tareas de una manera considerada “inteligente”. Los avances recientes en IA se han realizado a través del aprendizaje automático. El aprendizaje automático es una aplicación actual de la IA, según la cual las máquinas deberían tener acceso a los datos para poder aprender por sí mismas. Consulte la Nota 8 para obtener una definición de «conocimientos prácticos».

Como reflejo de la naturaleza dinámica de muchos factores relevantes para las decisiones de gestión de la tierra, existe una fuerte demanda de información actualizada. Un aspecto particularmente beneficioso de las nuevas herramientas de análisis de datos es que a menudo están diseñadas para ser dinámicas y actualizables. Estas características reducen la necesidad de una inversión constante en nuevo hardware o software y se adaptan mejor a las necesidades de los usuarios. Por lo tanto, las herramientas que pueden permitir una actualización rápida de la información se adaptan mejor a la demanda de información y, como tal, es probable que se utilicen más, tanto ahora como en el futuro (fuente: Parte IV, Estudio de caso 1).

2.1.3. Avances en tecnologías de encriptación, protección de datos e intercambio de datos, e instituciones para compartir datos
Los avances en las tecnologías para el acceso, la gestión y el intercambio de datos están cambiando la viabilidad técnica, los costos y los riesgos asociados con el acceso y el uso de los datos agrícolas. Los desarrollos clave son:

Computación confidencial y computación multipartita : la «Computación confidencial» permite el acceso a un conjunto proscrito de funciones analíticas que se realizan sobre datos cifrados que no se revelan al científico o analista de datos. Esto permite un método nuevo y de baja fricción para realizar vínculos exploratorios y análisis de conjuntos de datos (fuente: Estudio de caso 6).

Publicación de datos sintéticos : un avance reciente en la tecnología de privacidad se conoce como privacidad diferencial.Esta es una medida cuantificable de la privacidad de ciertas técnicas de análisis de datos que involucran perturbaciones aleatorias de los datos que se analizan o del análisis en sí. Actualmente, los investigadores están trabajando en una variedad de mecanismos diferenciales privados para permitir la publicación de conjuntos de datos de registros de unidades sintéticos que contienen datos estadísticamente similares a los datos originales, pero pueden garantizar que los datos publicados no se puedan volver a identificar. Estos métodos pueden permitir la publicación de conjuntos de datos gubernamentales con menos restricciones de las que se necesitan actualmente para garantizar la confidencialidad. Estas técnicas implican agregar ruido a los datos y, por lo tanto, tienen cierto impacto en la utilidad de los datos para el análisis (fuente: Estudio de caso 6).

Avances en el software de visualización de datos: los últimos años han visto el lanzamiento de muchos tipos diferentes de software que ayudan a los usuarios a personalizar más fácilmente la visualización de datos. Muchos actores del sector agrícola (incluidas las agencias públicas) están haciendo uso de dicho software para mejorar la usabilidad de los conjuntos de datos existentes y facilitar el acceso al hacer que el acceso sea más «fácil de usar». Ejemplos incluyen:

software como Tableau, Qlikviw y Datawrapper que permite a los usuarios personalizar fácilmente las solicitudes de datos y ver los datos a través de paneles, gráficos personalizables, etc., generalmente a través de plataformas web; 9

Software del sistema de información geográfica (GIS) como ArcGIS, QGIS, MapInfo®, GRASS GIS. 10

Las instituciones para acceder, gestionar y compartir datos agrícolas están evolucionando junto con la innovación tecnológica descrita anteriormente. Las innovaciones institucionales son vías importantes para garantizar que las oportunidades que ofrece la innovación tecnológica puedan realizarse en la práctica. Los desarrollos clave en los últimos años son:

Principios de datos abiertos 11

Principios de datos FAIR (estudio de caso 6)

Nuevos arreglos para mejorar el acceso a los datos agrícolas en poder de las organizaciones públicas (Recuadro 2.2 y Estudio de caso 6)

Estándares de interoperabilidad y metadatos (Estudio de caso 1 y Parte III)

Nuevas alianzas para la innovación conjunta y la colaboración en la investigación y la gobernanza (estudios de caso 1 y 9)

Nuevos modelos de gobernanza colectiva para la agricultura y para los datos (estudio de caso 2)

Derechos de propiedad digital y derechos de acceso a datos. dieciséis

Dado que las políticas son en sí mismas instituciones y, además, aquellas que a su vez pueden dar forma a otras instituciones (por ejemplo, creando o protegiendo los derechos de propiedad, incentivando la colaboración, estableciendo un marco regulatorio para el acceso a los datos), muchos de los ejemplos que se dan en este informe, particularmente a través de los estudios de caso son ejemplos de cómo la innovación institucional permite a los gobiernos hacer un mejor uso de las tecnologías digitales o permite que otros lo hagan. A lo largo de este informe se ofrece más información sobre estas innovaciones institucionales.

Recuadro 2.2. Avances en los arreglos para el acceso a datos agrícolas en poder de organizaciones públicas (Estudio de caso 6)
Se han desarrollado soluciones tecnológicas durante muchos años para permitir que haya más datos disponibles para su uso, como las técnicas de anonimización y ofuscación de datos. También hay una gran cantidad de enfoques más nuevos de confidencialidad para facilitar el intercambio de datos para la investigación mientras se protege la privacidad o se cumplen los requisitos de confidencialidad. Todos estos se han utilizado en implementaciones exitosas a gran escala en Australia e internacionalmente (O’Keefe y Rubin, 2015 [28] ; Reiter y Kohnen, 2005 [29]) :

Acceso a datos abiertos sin identificación : el analista descarga los datos directamente (por ejemplo, conjuntos de datos accesibles a través de la iniciativa GODAN 1 )

Acuerdos de usuario para uso externo (licenciamiento), en los que los usuarios deben registrarse con una agencia de custodia y firmar un acuerdo de usuario antes de recibir datos para analizarlos fuera del sitio.

Sistemas de análisis remoto , en los que el analista envía consultas estadísticas a través de una interfaz, los análisis se llevan a cabo sobre los datos originales en un entorno seguro y luego el usuario recibe los resultados (confidenciales) de los análisis.

Centros de datos virtuales (VDC), que son similares a los sistemas de análisis remoto, excepto que el usuario tiene acceso completo a los datos y son similares a los centros de datos en el sitio, excepto que el acceso se realiza a través de un enlace seguro en Internet desde el sitio del investigador. institución (por ejemplo, la plataforma de enclave de datos USDA-ERS proporcionada por NORC; 2 Oficina Australiana de Estadísticas DataLab 3 ). Los VDC también pueden hacer uso de la contenerización , donde el analista puede acceder a los datos de forma limitada, en una plataforma segura a través de una aplicación en contenedores (por ejemplo, la plataforma SURE utilizada por el Sax Institute 4 ).

Asegurar, en – los centros de datos del sitio , en el que los investigadores tienen acceso a datos confidenciales de seguro, en el lugar de los centros de datos de investigación (por ejemplo, el Centro seguro de acceso a datos, Francia 5 ).

Cada arreglo hace que los datos estén disponibles en un nivel específico de detalle, donde los detalles sensibles pueden reducirse mediante métodos que incluyen la eliminación de información de identificación; la confidencialización de los datos mediante uno de varios métodos, incluida la agregación, la supresión o la adición de «ruido» aleatorio; o reemplazo de variables o datos sensibles con datos sintéticos («inventados»).

Notas

← 1. La iniciativa Global Open Data for Agriculture and Nutrition (GODAN) promueve “el intercambio proactivo de datos abiertos para que la información sobre agricultura y nutrición esté disponible, accesible y utilizable”. GODAN promueve el intercambio de datos tanto dentro como fuera de las fronteras nacionales. Véase https://www.godan.info/ , consultado en agosto de 2018.

← 2. “El Servicio de Investigación Económica (ERS) de [Estados Unidos] y el Servicio Nacional de Estadísticas Agrícolas (NASS), en coordinación con el Servicio de Alimentos y Nutrición (FNS), utilizan el Enclave de Datos de [la Universidad de Chicago] para proporcionar investigadores autorizados Acceso remoto seguro a los datos recopilados como parte de la Encuesta sobre el manejo de recursos agrícolas (ARMS), la principal fuente de información para el Departamento de Agricultura de los EE. UU. y el público sobre una amplia gama de cuestiones sobre el uso de los recursos agrícolas de EE. UU., los costos y las finanzas del sector agrícola. condiciones «. Véase http://www.norc.org/Research/Projects/Pages/usda-ers-data-enclave.aspx , consultado en agosto de 2018.

← 3. “El DataLab es la solución de análisis de datos para usuarios de alto nivel que desean realizar análisis complejos interactivos (en tiempo real) de microdatos. Dentro del DataLab, los usuarios pueden ver y analizar la información de los registros de la unidad utilizando un software analítico actualizado sin restricciones de código, mientras que los archivos permanecen en el entorno seguro de ABS. Todas las salidas analíticas son verificadas por el ABS antes de ser entregadas al investigador ”.

http://abs.gov.au/websitedbs/D3310114.nsf/home/CURF:+About+the+ABS+Data+Laboratory+%28ABSDL%29 , consultado en agosto de 2018.

← 4. SURE es «el único laboratorio de investigación de datos de acceso remoto de Australia para analizar los datos [relacionados con la salud] recopilados de forma rutinaria, lo que permite a los investigadores iniciar sesión de forma remota y analizar de forma segura datos de fuentes como hospitales, médicos generales y registros de cáncer». Ver https://www.saxinstitute.org.au/our-work/sure/design-and-functionality/ , consultado en agosto de 2018.

← 5. Ver https://www.casd.eu/en/ , consultado en septiembre de 2018. Este es el canal para acceder a los datos agrícolas a nivel micro en Francia, incluidos los datos de la RICA, pero también las encuestas de prácticas agrícolas. El CASD ha estado en vigor desde 2012 y contiene varios tipos de datos sensibles (por ejemplo, salud, impuestos, encuestas comerciales y datos administrativos como medidas agroambientales).

Fuente: Estudio de caso 6, Parte IV.

2.1.4. Los impulsores de la digitalización de los sectores agrícola y alimentario
La mayor capacidad para capturar, gestionar y extraer conocimientos de los datos tiene el potencial de alterar la organización del sistema alimentario, al influir en el suministro y el uso de insumos en la agricultura, así como en la forma en que se suministran y valoran los productos agrícolas en la cadena de valor. . Los datos y las tecnologías digitales pueden permitir una mejor gestión de las granjas, la productividad agrícola y el uso de recursos (impulsores en la granja). La digitalización de la agricultura y las granjas se está produciendo en un amplio espectro, desde soluciones de baja tecnología que utilizan dispositivos y plataformas móviles para proporcionar servicios de toma de decisiones de gestión, hasta «granjas digitales» de alta tecnología que utilizan sistemas integrados que incluyen sensores en el campo e Internet de las cosas. (IoT); análisis de big data para la toma de decisiones; y drones, robótica e inteligencia artificial (IA) para la automatización de procesos. La necesidad de inversiones a nivel de finca varía enormemente dependiendo del tipo de servicios requeridos, que a su vez dependen del tipo de sistema de producción y finca: por ejemplo, los grandes productores ganaderos extensivos no tienen las mismas limitaciones y necesidades que la producción de frutas y hortalizas hidropónicas. productores de hortalizas o agricultores de subsistencia. Independientemente, todos pueden beneficiarse de los nuevos servicios. Ya sea que las inversiones en tecnologías se realicen en la finca o por los proveedores de servicios, las principales razones por las que los agricultores hacen uso de las tecnologías digitales es que estas tecnologías reducen los costos o responden a una nueva necesidad en un entorno cambiante. Los grandes productores de ganado extensivo no tienen las mismas limitaciones y necesidades que los productores de frutas y hortalizas hidropónicas o los agricultores de subsistencia. Independientemente, todos pueden beneficiarse de los nuevos servicios. Ya sea que las inversiones en tecnologías se realicen en la finca o por los proveedores de servicios, las principales razones por las que los agricultores hacen uso de las tecnologías digitales es que estas tecnologías reducen los costos o responden a una nueva necesidad en un entorno cambiante. Los grandes productores de ganado extensivo no tienen las mismas limitaciones y necesidades que los productores de frutas y hortalizas hidropónicas o los agricultores de subsistencia. Independientemente, todos pueden beneficiarse de los nuevos servicios. Ya sea que las inversiones en tecnologías se realicen en la finca o por los proveedores de servicios, las principales razones por las que los agricultores hacen uso de las tecnologías digitales es que estas tecnologías reducen los costos o responden a una nueva necesidad en un entorno cambiante.

Esta mayor capacidad beneficia tanto al sector agrícola como a los sectores ascendentes y descendentes. Los macrodatos agrícolas pueden respaldar la gestión agrícola en tiempo real, una gama de servicios de valor agregado y capacidades de automatización que, a su vez, respaldan aún más la mejora de los procesos agrícolas (Sonka y Cheng, 2015 [30]) .

Motores en las explotaciones agrícolas para la digitalización de la agricultura
La transformación digital agrícola potencialmente apoya:

Mejora de la productividad y la sostenibilidad agrícolas.

Mejor gestión de riesgos, incluso para adaptarse o mitigar los impactos del cambio climático.

Mejor acceso a los mercados y gestión empresarial.

Gestión mejorada de procesos administrativos.

Estos procesos no necesitan grandes inversiones en la finca: un teléfono móvil y una cámara pueden ser suficientes para brindar servicios como la identificación remota de plagas. Muchas iniciativas también se basan actualmente en la teledetección, en particular los datos de satélite. Los datos satelitales son cada vez más precisos y el precio de la información que crean está disminuyendo. También tienen la ventaja de una cobertura global, datos homogéneos y observaciones repetidas que crean datos históricos. Los datos satelitales ya están integrados en muchos sistemas, lo que significa que los costos de entrada son bajos.

Sin embargo, los datos satelitales tienen sus límites, en particular para la prestación de servicios locales que llegan a los agricultores de forma inteligible. Para la prestación del servicio, los datos satelitales a menudo deberán combinarse con otros sistemas de datos o sensores. En particular, porque el nivel de precisión todavía no se ha refinado lo suficiente a nivel de explotación. También es necesario pre-analizar los datos satelitales para permitir su uso para servicios de análisis y llegar y ser útiles para los agricultores (Estudio de caso 8). Un ejemplo de un sistema basado en satélites es el programa Copernicus de la UE ( recuadro 2.1 ).

Las innovaciones digitales también pueden afectar indirectamente la productividad sostenible de las granjas. Por ejemplo, el análisis de big data aumenta la capacidad de los científicos para diseñar plantas resistentes a la sequía o a ciertas plagas, reduciendo su necesidad de agua o el uso de insumos químicos y aumentando la resiliencia de la producción de los agricultores a tales eventos exógenos. 12 Estas vías indirectas se reconocen pero no se analizan más en este informe.

Motores no agrícolas para la digitalización de la agricultura
También existen factores no agrícolas, como una mayor demanda de información sobre productos agroalimentarios por parte de los consumidores, y la necesidad de adoptar tecnología en las explotaciones para participar o seguir siendo competitivo en cadenas de valor globales cada vez más digitalizadas. La demanda de datos relacionados con la agricultura a lo largo de la cadena de valor está aumentando, tanto del sector público como del privado. Se pueden identificar varios factores posteriores que empujan a los productores agrícolas hacia una mayor digitalización.

El primer conjunto de factores se relaciona con la gestión de la cadena de valor y los requisitos comerciales. Las tecnologías digitales pueden respaldar la creación y gestión de un «ciclo de datos» 13 desde la granja hasta la mesa, donde la información es transmitida por todos los actores de la cadena de suministro, lo que permite una trazabilidad completa. El acceso a los datos agrícolas también puede mejorar la eficiencia en la gestión de las regulaciones comerciales, particularmente cuando los sistemas comerciales se administran mediante la adopción de documentos comerciales y electrónicos sin papel (OCDE / OMC, 2017). En particular, el registro automático de datos agrícolas (por ejemplo, prácticas agrícolas, procedencia, etc.) en línea puede proporcionar información importante para los procesos aduaneros y acelerar el despacho en la frontera. En general, esto puede aumentar el acceso al mercado para los productores agrícolas y reducir los costos comerciales.

El segundo conjunto de factores se relaciona con la demanda de los consumidores y la implementación gubernamental de las políticas agrícolas. La información recién creada o un mayor acceso a la información pueden crear nuevas fuentes de valor relacionadas con la reputación y responder a las preferencias de los consumidores. La seguridad alimentaria es uno de los atributos de calidad más importantes para los consumidores y el efecto de un brote en la reputación de un procesador de alimentos o minorista puede ser duradero (Jouanjean, 2012 [31]).. La industria alimentaria está explorando el uso de tecnologías digitales, en particular tecnologías de contabilidad distribuida (blockchain), para mantener registros digitales seguros y mejorar la trazabilidad. El objetivo es renovar los procesos de gestión de datos a través de una red compleja que incluye agricultores, agentes, distribuidores, procesadores, minoristas, reguladores y consumidores, para facilitar las investigaciones sobre enfermedades transmitidas por alimentos. Las investigaciones pueden llevar semanas y tener consecuencias dramáticas; Las tecnologías digitales como blockchain podrían reducir ese tiempo a segundos. También existen oportunidades relacionadas con el uso de otros atributos de calidad más allá de la seguridad alimentaria para la creación de nichos de mercado (véase Jouanjean (2019 [32]) ).

2.1.5. La adopción puede verse obstaculizada por la falta de habilidades; pero ¿qué y cuyas habilidades?
A menudo se menciona que los agricultores y los asesores pueden no tener las habilidades para utilizar tecnologías digitales o la comprensión total de sus usos potenciales (OCDE, 2018 [33]) . Es innegable que existe una diferencia en la accesibilidad entre generaciones, con una brecha entre las generaciones más jóvenes criadas en la nueva era digital y las generaciones mayores. Sin embargo, la cuestión de la adopción no es necesariamente una cuestión de agricultoreshabilidades para utilizar las propias tecnologías digitales, o de conocimientos técnicos sobre cómo funcionan las tecnologías. Muchas herramientas digitales para la agricultura son plataformas o aplicaciones que más bien requieren una comprensión de las redes sociales y una conciencia y confianza sobre todas las posibilidades que ofrecen dichas plataformas. Estas plataformas están siendo utilizadas en países en desarrollo por poblaciones con bajos niveles de educación escolar formal.

La cuestión de qué nivel de comprensión se requiere también es relevante para las herramientas digitales de alta tecnología. Las tecnologías digitales son una ayuda para la toma de decisiones e incluso pueden permitir la automatización de decisiones en la granja. Esto puede implicar que los agricultores deleguen parte del conocimiento y la toma de decisiones en la finca a la tecnología, es decir, a quienes programaron y crearon la tecnología. Si bien los agricultores no necesitan comprender todos los elementos técnicos de las tecnologías, necesitan conocimientos suficientes para poder gestionarlos de manera eficaz en sus fincas. Por ejemplo, cuando se utiliza maquinaria de agricultura de precisión, mientras que la comprensión de los agricultores no necesariamente se extiende a la capacidad de realizar el mantenimiento por sí mismos (por ejemplo, en maquinaria de agricultura de precisión), Los agricultores deben poder comprender las funciones de las tecnologías y cómo utilizar elementos digitales como mapas de rendimiento, regímenes de aplicación de fertilizantes o pesticidas producidos por maquinaria agrícola de precisión. También pueden necesitar saber cómo utilizar programas de automatización (por ejemplo, programadores de riego, plantadoras robóticas, cosechadoras). La comprensión también es importante para la aceptación de las recomendaciones: de lo contrario, las tecnologías pueden parecer una “caja negra” y los agricultores pueden no actuar sobre las recomendaciones debido a la falta de confianza.

Leer más

En este artículo veremos las tecnologías emocionantes que se están desarrollando, así como una mirada retrospectiva a algunas de las tecnologías existentes y cómo han ayudado a moldear las vidas y la rentabilidad continua de los agricultores de precisión en todo el mundo. Ha habido algunos desarrollos y avances realmente asombrosos en las industrias de tecnología agrícola. Algunos han sido revolucionarios, algunos han sido innovadores y algunos incluso han sido muy inusuales. Esperamos que disfrute de nuestro viaje de instantáneas del mundo agrícola, pasado, presente y futuro.

Pasado
El verdadero despegue de la agricultura de precisión tal como la conocemos hoy tuvo lugar a mediados de los noventa. A raíz del gran auge tecnológico que se había producido en los años 80 y continuó hasta principios de los 90, la agricultura comenzó a ver avances como resultado directo de esto.

Las primeras tecnologías de tasa variable comenzaron a usarse junto con desarrollos en el campo científico dedicados a mejorar la agricultura. Las universidades de los EE. UU. Comenzaron a descubrir que los rendimientos se veían afectados por los niveles de fertilización, pero que la fertilización no era igual. Algunos campos, por ejemplo, se beneficiaron de la fertilización, otros no y aún más complicados fueron los campos que tenían aspectos que necesitaban fertilización y otros que no.

Con este nuevo conocimiento en mente, los agricultores se volvieron más inteligentes sobre cómo fertilizaban sus granjas y cuánto gastaban en fertilizantes. El equipo de fertilización de dosis variable se desarrolló para distribuir el fertilizante de manera adecuada en los campos cuando y cuando se necesite. Esto luego puso los engranajes en movimiento para otros equipos de tasa variable como sembradoras y aparatos de riego.

Presente
A medida que los beneficios de la tecnología comenzaron a sentirse en abundancia en toda la industria agrícola, también lo hizo la inversión para desarrollar tecnología más innovadora para ayudar a los agricultores de precisión. Esto resultó en una gran inversión en investigación agrícola, infraestructura y desarrollo tecnológico.

Algunos de nuestros artilugios tecnológicos favoritos que utilizan hoy en día los agricultores de precisión son;

Drones . No podemos tener suficiente de los drones, desarrollados originalmente como una forma de estudiar la tierra desde arriba, casi ha llegado a la plenitud de lo brillantes que pueden ser. Estos prácticos pedazos de tecnología voladora no solo les dicen a los agricultores todo lo que necesitan saber sobre su tierra desde arriba, sino que ahora se comunican de forma autónoma con vehículos terrestres no tripulados que se atascan y hacen el trabajo agrícola para los agricultores. Algunos drones tienen equipos de pulverización conectados, otros tienen un software de imágenes intrincado que penetra debajo de la superficie de los campos. Son un equipo agrícola verdaderamente versátil que solo tiene la limitación de la imaginación.
Aplicaciones GPS. Los agricultores ahora controlan cada parte de sus granjas desde sus teléfonos inteligentes. Desde monitorear las condiciones climáticas y los pronósticos y ajustar el riego hasta monitorear el ganado y rastrear su ubicación. Las aplicaciones GPS no solo les permiten a los agricultores un mayor nivel de control sobre sus granjas, sino que también les ofrecen la oportunidad de registrar y compartir información de formas nunca antes vistas. Big data se ha convertido en una gran palabra de moda en la comunidad de agricultura de precisión. Los agricultores están aprendiendo cada vez más sobre cómo se comportan sus propias granjas y campos mediante el análisis de datos tanto de sus propias granjas y campos como de los de sus vecinos. Los problemas que le quitarían días a la vida de un granjero ahora se resuelven en horas como resultado de las aplicaciones de GPS, en lugar de rastrear y cazar animales callejeros, los datos de GPS ahora señalan dónde está el ternero perdido.
Robots . Aunque relativamente primitivos, están aquí y se utilizan en granjas. Al igual que con otras tecnologías de esta lista, esperamos que los robots se integren cada vez más en los próximos años. Actualmente, los robots recolectores de frutas patrullan vastos viñedos, monitorean los cultivos y luego recogen la fruta para la cosecha. Dada la riqueza de la industria del vino, a menudo son los productores de uva de precisión los que marcan la tendencia en las prácticas agrícolas, ya que tienen el dinero para invertir en nuevas tecnologías. A medida que estas tecnologías cobran impulso, se vuelven más asequibles y los agricultores de todo el mundo comienzan a beneficiarse.
Futuro
Estamos muy entusiasmados con el futuro de la agricultura de precisión y los maravillosos giros que está tomando ahora. Dado que cada vez más agricultores tienen mayores márgenes de beneficio, la reinversión en áreas tecnológicas clave es mayor. Ahora, los agricultores de otras áreas, como la producción de maíz y soja, son pioneros en tecnología, donde antes solo los productores de uva ricos podían permitirse tales lujos.

Los robots se están volviendo cada vez más sofisticados y existe un gran impulso global hacia la automatización y la inteligencia artificial. La tecnología sin conductor está siendo desarrollada tanto por los fabricantes de automóviles como por los fabricantes de maquinaria agrícola.

La forma en que se registran los datos también está cambiando, con el mundo bastante oscuro e inusual de las criptomonedas, las tecnologías Blockchain pioneras que han abierto las puertas para los libros de contabilidad virtuales y el mantenimiento de registros. Esta tecnología ya se está utilizando con un efecto tremendo en el lejano oriente, y países como China gestionan inventarios completos de recursos con libros de contabilidad de Blockchain.

Es probable que el futuro de la agricultura sea un sueño total para los propietarios de granjas. En lugar de ser trabajadores de la tierra, se convertirán en propietarios de tierras, y los robots y la tecnología harán todo el soborno por ellos. Esto significará que hay una gran pérdida de empleo para los trabajadores agrícolas en general, pero los agricultores que han heredado granjas durante generaciones y se han esclavizado y trabajado para trabajar la tierra heredarán una empresa verdaderamente magnífica.

Es probable que la granja del mañana esté gobernada por acero inoxidable con circuitos complejos e inteligencia artificial. Aumentar los rendimientos en cada cosecha mientras un agricultor se sienta y administra su granja como un negocio de formas que antes solo se hubieran soñado.

Es una perspectiva desalentadora, es extraño comprenderlo, pero sucederá, y la aceptación ahora está creciendo rápidamente. Ahora es sólo una cuestión de tiempo antes de lo inevitable, y creemos que será asombroso y maravilloso para los agricultores de todo el mundo que tanto han sufrido. Es la tierra prometida.

Leer más

Las aplicaciones de imágenes de fotogrametría y lidares de UAV están aumentando rápidamente. Esto no es sorprendente, ya que el uso de vehículos aéreos no tripulados que incorporan GPS para la vigilancia aérea es muy rentable en comparación con el alquiler de una aeronave con equipo de fotogrametría.

Como los UAV son relativamente baratos, las organizaciones tendrán su propia flota de UAV, lo que permitirá realizar estudios rápidos en grandes zonas terrestres y proyectos de infraestructura cuando sea necesario.

Con aviones teledirigidos equipados con GPS, cámaras digitales y potentes ordenadores, los estudios tienen una precisión de hasta 1 centímetro.

Este post da una mirada general a esta tecnología de mapeo de drones. También echamos un vistazo rápido a los sectores que se benefician del uso de los UAVs para fotogrametría y cartografía lidar. También miramos algunos de los mejores drones cartográficos del mercado junto con el software compatible.

Otro sector estrechamente relacionado es el uso de sensores LiDAR montados en los drones. Es otro sector en crecimiento y puedes leer más sobre el uso de los drones LiDAR aquí.

El uso de quadcopters y multirotores en fotogrametría y mapeo con lidar está todavía en sus primeras etapas pero está creciendo muy rápidamente. Hay grandes oportunidades en varios sectores. Ahora es el mejor momento para aprender sobre los UAVs, fotogrametría, 3D y cartografía lidar.

Si estás interesado en seguir un negocio de fotogrametría de UAVs o similar, compra el mejor quadcopter y sensores que puedas. Hay tremendas oportunidades para los propietarios con equipos de calidad de fotogrametría y lidares de UAV.

¿Qué es exactamente la fotogrametría de los UAV?
La fotogrametría es la ciencia de hacer mediciones a partir de fotografías. La salida de la fotogrametría es típicamente un mapa, un dibujo o un modelo 3D de algún objeto del mundo real o de la masa terrestre.

Mapas y modelos 3D
Para crear mapas 3D a partir de la fotogrametría aérea, la cámara está montada en el dron y suele apuntar verticalmente hacia el suelo.

Usando la fotogrametría para crear modelos 3D de monumentos o estatuas, la cámara se monta horizontalmente en el UAV.

Se toman múltiples fotos superpuestas (80 a 90% de superposición) del suelo o del modelo a medida que el UAV vuela a lo largo de una trayectoria de vuelo programada autónoma llamada waypoint.

Superponer fotos de un objeto o del suelo en un 80 a 90% sería imposible de completar con precisión por la navegación del piloto. Es esencial tener un UAV que tenga tecnología de navegación por puntos de ruta.

La cartografía de los drones y el Lidar explicados
El lidar de los UAV consiste en montar un escáner láser en un UAV para medir la altura de los puntos del paisaje debajo del UAV. Lidar significa en realidad (Detección de Luz y Alcance).3DR X8-M UAV para fotogrametría y mapeo con lidar.

Los escáneres Lidar pueden capturar cientos de kilómetros cuadrados en un solo día.

Midiendo de 10 a 80 puntos por metro cuadrado, se puede crear un modelo digital muy detallado de un paisaje.

La precisión de las mediciones, permite que los modelos 3D creados con el dron lidar se utilicen en procesos de planificación, diseño y toma de decisiones en varios sectores.

Los sensores del LIDAR también pueden perforar el denso dosel y la vegetación, lo que permite capturar la estructura de la tierra desnuda que los satélites no pueden ver, así como la cubierta terrestre con suficiente detalle para permitir la categorización de la vegetación y la vigilancia de los cambios.

La fotogrametría y los usos del Lidar
Mediante el uso de la fotogrametría de los vehículos aéreos no tripulados y la cartografía con lidar, existe una amplia gama de productos que pueden extraerse de las imágenes aéreas. Estos productos incluyen;

DEM / DTM / DSM (modelos de superficie).
Ortofotos (imágenes aéreas corregidas geoespacialmente).
Modelos de construcción en 3D.
Mapas de contorno.
Características planimétricas (bordes de carreteras, alturas, señales, huellas de edificios, etc.).
Levantamientos volumétricos.
Estos son algunos de los mejores usos del LIDAR y la fotogrametría. Todos estos sectores se benefician por tener imágenes 3D de precisión de sus proyectos. También se benefician con el aumento de la eficiencia y la reducción de los costos en comparación con el uso de aeronaves tradicionales.

Gestión y planificación forestal.
Modelación de inundaciones.
Modelación de la contaminación.
Mapeo y cartografía.
Planificación urbana.
Ordenación del litoral.
Planificación del transporte.
Exploración de petróleo y gas.
Canteras y minerales (volumetría y exploración).
Arqueología.
Planificación de redes celulares.
Modelación de la vegetación en 3D
NOTA: La modelación de la vegetación utiliza sensores multiespectrales y sensores lidar en lugar de sensores de fotogrametría.

Cámaras de fotogrametría y cartografía 3D de los drones
Hay varios aviones teledirigidos con cámaras, que están listos para el mapeo en 3D. En realidad, cualquier dron equipado con un intervalómetro en la cámara sería adecuado. Un intervalómetro dispara el obturador de la cámara. Una captura fotográfica mínima sería una foto cada 2 segundos. Las siguientes cámaras funcionan bien para la fotogrametría y la cartografía.

Cámaras Canon – S110, SX260.
Cámaras Sony – QX1,DSC-RX100 A7R, A7, A7S, NEX-6, NEX-5R, NEX-5T, A5100.
Cámaras Panasonic – GH3.
Las lentes de las cámaras GoPro no son buenas para crear mapas aéreos. Para obtener algún tipo de resultados decentes, tendrías que estar volando a más de 400 pies (aprox. 120 metros).

Además, las cámaras integradas en los aviones teledirigidos DJI como la Phantom 3, Phantom 4 e Inspire 1 te permitirán capturar imágenes de fotogrametría.

La mejor práctica de fotogrametría
Si las fotos no son buenas, entonces será difícil conseguir una calidad real en tus modelos 3D, no importa lo bueno que sea el software. Las fotos deben ser tan claras como sea posible. Si tienes un dron con una cámara de zoom y haces zoom en tus fotos aéreas, las pequeñas características son borrosas. Si es así, trata de averiguar la razón de la borrosidad y tus imágenes 3D mejorarán enormemente.

Elimina todo lo que se interponga en el camino de la máxima nitidez. Aquí es donde más megapíxeles realmente importa. Disparar en RAW definitivamente ayuda.

La iluminación siempre es importante en la fotografía. Una iluminación brillante y uniforme te permitirá tener una pequeña abertura para reducir la profundidad de campo de la imagen. La poca profundidad de campo es en realidad algo malo para la fotogrametría, porque los detalles borrosos confunden al software.

El objetivo es tener imágenes de alto detalle, nítidas y planas, lo que requiere cerrar la apertura, dando más luz. Una buena iluminación también le permitirá bajar el ISO, lo que reducirá el grano, y le permitirá tener una alta velocidad de obturación que también reduce el desenfoque por movimiento.

Dale al software de fotogrametría 3D sólo información de alta resolución. Si estás trazando un mapa de una escultura o edificio y no necesitas el fondo, entonces enmascáralo.

Si una imagen está apagada o no está alineada correctamente con las imágenes antes y después de ella, entonces borra esta imagen. Los humanos siguen siendo más inteligentes que el software, que se encargará de unir las imágenes. Filtrar las fotos malas o fuera de línea antes de que el software se ponga a trabajar, hará el trabajo del software de fotogrametría 3D más fácil dando una mayor precisión de la imagen.

Si no está en la imagen, entonces no está en su malla e imagen 3D. Asegúrate de que tienes la cobertura que necesitas para obtener todos los detalles que deseas, porque es difícil volver atrás y volver a fotografiar en las mismas condiciones exactas.

Si eres nuevo en el mundo de la fotografía, aquí tienes un artículo estupendo con consejos sobre fotografía aérea.

UAVs para fotogrametría y cartografía en 3D
Los drones de fotogrametría de DJI
DroneDeploy es una de las principales compañías que producen software de fotogrametría. Sus soluciones son compatibles con todos los DJI Drones, incluyendo el último Mavic 2 fold up drone.

DroneDeploy tiene una aplicación móvil para programar el vuelo autónomo y capturar fotos, que luego se pueden subir a la plataforma DroneDeploy en la nube. Esta plataforma DroneDeploy creará entonces los mapas y modelos 3D.

La última solución 3D de DroneDeploy se llama Live Map que crea el mapa 3D en tiempo real mientras vuelas. Puedes verlo durante el vuelo automatizado.

DJI Mavic 2 y Mavic Pro
El Mavic 2 y los anteriores Mavic Pro son perfectos para aplicaciones de fotogrametría y cartografía lidar. Todos estos quadcopters utilizan la última tecnología de IMU y de estabilización de control de vuelo para volar de forma súper suave. También tienen un cardán y una cámara integrados y estabilizados de 4k.

El DJI Mavic creará nubes de puntos muy precisas y mapas 3D perfectos unidos entre sí. Los Mavic son todos drones compatibles con los mejores programas de mapas 3D de compañías como DroneDeploy o Pix4D.

La navegación por puntos es muy importante para crear imágenes de fotogrametría 3D precisas. Los drones Mavic utilizan las balizas para su vuelo programado autónomo.

Sin embargo, todos los mejores programas de fotogrametría incluyen la navegación por balizas.

Con un alcance de transmisión de 7 km y un tiempo de vuelo de hasta 27 minutos, puede cubrir mucho terreno.

Mapeo de drones con DJI Matrice 600
La Matrice 600 (M600) es la nueva plataforma multirotor voladora de DJI diseñada para la fotografía aérea profesional y las aplicaciones industriales. Está construida para integrarse estrechamente con una serie de potentes tecnologías de DJI, incluyendo el controlador de vuelo A3, el sistema de transmisión Lightbridge 2, las baterías inteligentes y el sistema de gestión de baterías, para un máximo rendimiento y una rápida configuración.

El diseño modular del M600 hace que sea rápido y fácil de configurar. Todas las cámaras y cardanes Zenmuse son compatibles con la Matrice 600, con una carga útil máxima de 6 kg le permite volar el cardán Ronin-MX y una gama de cámaras desde los sistemas Micro Cuatro Tercios hasta el RED Epic. Cámaras de alta calidad junto con un multirotor súper estable le darán siempre mapas 3D perfectos.

El M600 cuenta con un tiempo de vuelo prolongado y una transmisión de imágenes HD de largo alcance y latencia ultra baja de 5 km para una composición y captura de imágenes precisas.

Este multirotor utiliza 6 pequeñas baterías inteligentes DJI con un sistema de gestión de baterías personalizado y un tablero de distribución de energía que permite que las seis baterías se enciendan con sólo pulsar un botón, y mantiene el sistema en vuelo en caso de que falle una sola batería, y permite a los usuarios comprobar el estado de la batería en tiempo real durante el vuelo.

La Matrice 600 tiene un GPS mejorado que permite una fotogrametría de alta precisión. El GPS mejorado también permite rastrear la posición de la Matrice 100 en tiempo real, a la vez que permite una adquisición más rápida de los satélites, una conservación más precisa de la posición y la planificación del vuelo.

DJI Phantom 4 Pro para fotogrametría
El DJI Phantom 4 Pro lanzado puede usar la edición DJI de malla Pix4Dmapper. La Phantom 4 también funciona con el software de Despliegue de Drones y Escaneo de Sitio mencionado más adelante en este post. El Phantom 4 vuela perfectamente suave, utiliza sistemas de navegación dual, utiliza la detección de obstáculos y sensores de evasión de colisiones. Tiene una cámara 4k. Y lo que es muy importante, también utiliza la navegación por puntos de ruta.

Es uno de los cuadricópteros más populares para ser usado en imágenes 3D.

DJI Phantom 3 e Inspire 1 Photogrammetry

En septiembre de 2015, una actualización de firmware y software dio a los modelos DJI Inspire 1 y Phantom 3 una navegación por puntos de ruta y ahora pueden ser utilizados para la fotogrametría.

El mejor software para usar con los drones DJI es quizás el DroneDeploy y las soluciones Pix4DModel y Pix4DMapper. También la aplicación Altizure es bastante buena para la fotogrametría.

Estación terrestre DJI con fotogrametría
En diciembre de 2015, Google dejó de apoyar a Google Earth y al software de la Estación Terrestre de DJI que se basaba en la API de Google Earth. Esto significa que DJI ha dejado de dar soporte a su propia PC Ground Station. Sin embargo, hay una gama de soluciones de estaciones terrestres de software de terceros, incluyendo algunas que están incorporadas en el software de cartografía 3D real.

Otros UAVS para fotogrametría
SenseFly eBee X Mapping UAV
El eBee X de Sensefly es el dron de ala fija diseñado específicamente para todas sus necesidades de mapeo. Fue diseñado para aumentar la calidad, eficiencia y seguridad de su recolección de datos.

Tiene una cámara que se adapta a cada trabajo con una precisión y cobertura excepcionales para satisfacer los requisitos de cada proyecto, y puede trabajar con prácticamente cualquier tipo de sitio.

El eBee X tiene un tiempo de vuelo máximo de 90 minutos y tiene una amplia cobertura de hasta 500 hectáreas (1.235 acres) a 400 pies, mientras que su alta precisión le ayuda a lograr una precisión absoluta de hasta 3 cm (1,2 pulgadas), sin GCP (puntos de control en tierra).

El eBee X se adapta a cualquier trabajo gracias a su gama de cámaras innovadoras. Entre ellas se encuentran las siguientes;

SenseFly S.O.D.A. 3D, para impresionantes reconstrucciones en 3D de entornos verticales.
Cámara de fotogrametría aérea SenseFly X RGB.
Dúo T de SenseFly para crear mapas térmicos geo-preciso.
Parrot Sequoia+ para capturar imágenes a través de 4 bandas espectrales definidas, visibles y no visibles, además de imágenes RGB.
SenseFly Corridor simplifica el mapeo de los drones de la infraestructura lineal y los sitios.

Software de la Estación Terrestre SenseFly eMotion
El software de gestión de vuelo de un dron (o estación de tierra) es avanzado, escalable y muy fácil de usar para cualquiera.

eMotion le ayuda a poner su dron en el aire rápidamente, mientras que incluye toda la funcionalidad que necesita para recoger y gestionar exactamente los datos geoespaciales que requiere. Soporta tanto aviones teledirigidos de ala fija como multirotor.

La compatibilidad de la salida incluye;

Raster ortomosaico.
Mapa de índice.
Nube de puntos 3D.
Modelos digitales de superficie (DSM).
Malla 3D con textura.
Líneas de contorno.
Baldosas de Google Maps / Mapbox.
Imágenes no distorsionadas.
La salida compatible puede ser llevada a los mejores productos de software como ESRI ArcGIS, GlobalMapper, Autodesk, Google Earth, DraftSight, QGIS, GeoMedia, AgPixel, SMS Ag, Trimble RealWorks, Bentley MicroStation, 3DReshaper y muchos más.

WingtraOne 3D Mapping Drone
El WingtraOne es un VTOL (avión teledirigido de despegue y aterrizaje vertical) diseñado específicamente para la construcción de mapas en 3D.

La capacidad de despegue y aterrizaje vertical permite al WingtraOne ascender y moverse como un helicóptero. Para una misión cartográfica, despega directamente en el aire y luego pasa a un vuelo de crucero hacia adelante y se ajusta a la resistencia y la velocidad de los aviones de ala fija. Para aterrizar, el WingtraOne cambia de nuevo al vuelo en el aire y desciende verticalmente.

Cámara Wingtra One para fotogrametría
El WingtraOne aumenta la precisión y el éxito de la misión de reconocimiento al llevar una cámara de 42 megapíxeles de grado fotogramétrico y una lente de distorsión ultra baja.

El WingtraOne cubre 100 hectáreas con una resolución de 0,7 centímetros por píxel en un solo vuelo o 400 hectáreas con una resolución de 3 centímetros por píxel. Esto hace que las misiones del WingtraOne sean excepcionales en comparación con otros aviones teledirigidos de reconocimiento y cartografía. El WingtraOne es;

2 veces más preciso que los vuelos con una cámara de 20 MP.
Cubre 10 veces más área que los multicópteros.
5 veces más rápido que las mediciones terrestres.
Software del Piloto Wingtra
WingtraPilot es la interfaz de usuario intuitiva para gestionar el proceso de adquisición de datos de WingtraOne. Incluye formas de planificar las misiones, supervisar y revisar la misión durante el vuelo e inspeccionar la salida de datos sobre el terreno.

Todas las imágenes aéreas y la información de geo-localización se almacenan en una sola tarjeta SD y pueden ser inspeccionadas sobre el terreno en la tableta WingtraPilot para realizar controles de calidad tempranos. WingtraPilot ofrece la posibilidad de georeferenciar las imágenes de múltiples vuelos al final del día para reducir al mínimo el tiempo de inactividad en el lugar.

Software de fotogrametría compatible con WingtraOne
Los resultados son compatibles con todas las principales herramientas de ajuste y análisis como Pix4D (recomendado), DroneDeploy, PhotoScan y Precision Mapper.

Aeryon Scout Map Edition Quadcopter
El Aeryon sUAS está diseñado para cualquier aplicación que requiera ortomosaicos de precisión de grado topográfico, DSMs y nubes de puntos de imágenes aéreas u oblicuas – y una integración perfecta con GIS, CAD, y software de fotogrametría tradicional.

La Aeryon Map Edition incluye el Aeryon SkyRanger sUAS, la carga útil de imágenes integrada para la captura de imágenes y el software Pix4Dmapper para permitir el procesamiento de imágenes de campo y de oficina, incluyendo herramientas integradas para la visualización y edición de salidas en 3D.

Software de fotogrametría de mapeo y modelado de aviones teledirigidos
A continuación, hemos destacado algunos de los paquetes de software de fotogrametría en el mercado. Hemos publicado otro artículo, que cubre el mejor software de fotogrametría para la creación de mapas 3D en el mercado.

Software Pix4Dmodel
El software de malla Pix4Dmodel hace que la creación de modelos 3D a partir de imágenes sea automática y muy fácil. Todo lo que necesitas es una cámara y el software Pix4Dmodel. Esta Pix4Dmodel Mesh funciona con cualquier avión teledirigido. Abajo están algunos de los drones más populares en el mercado con los que podrías usar el software Pix4Dmodel.

DJI Mavic 2 (los últimos drones de DJI).
DJI Phantom 4 (todos los modelos).
DJI Mavic Air.
DJI Phantom 3 Advanced and Professional.
DJI Mavic Pro.
DJI Inspire 1 (Cámaras X3, X5).
DJI Inspire 2.
3DR SOLO.
Parrot Bebop 2.
Software de fotogrametría Pix4DMapper
El software de fotogrametría Pix4Dmapper permite generar modelos y mapas 3D profesionales a partir de imágenes. Este software Pix4Dmapper convierte sus imágenes en mapas 2D y modelos 3D altamente precisos y georeferenciados. Los mapas en 3D son personalizables y complementan una amplia gama de aplicaciones y software.

Salidas y características principales del Pix4DMapper
Aquí hay algunas características del software de fotogrametría de Pix4D;

Nube de puntos 3D densificada – Es un conjunto de puntos 3D que reconstruyen el modelo. La posición X, Y, Z y la información de color se almacena para cada punto de la Nube de Puntos Densificada.
Modelo Digital de Superficie y Terreno – Obtenga el valor de elevación de cada píxel, con o sin objetos sobre el terreno, listo para su flujo de trabajo SIG preferido.
Ortomosaico – Un mapa geolocalizado de alta resolución con cada píxel de las imágenes originales proyectadas en el modo de superficie digital.
Cálculo de volumen – Cálculos exactos de volumen en una representación perfecta de sus reservas, con una altura de base totalmente ajustable.
Líneas de contorno – Una representación simplificada de la topografía con contornos cerrados que muestran la elevación.
Modelo con textura 3D – Malla triangular con textura foto realista.
Mapas de reflectancia – Evaluar la reflectancia en base al valor de los píxeles en imágenes multiespectrales o térmicas.
Mapas de índices (NDVI, NDRE) – Trabaje con índices conocidos como NDVI y NDRE utilizados por los drones agrícolas o cree índices personalizados.
Mapas de aplicación – Agregue y visualice los valores derivados de sus mapas de índice.
Termografía – Un mapa de precisión radiométrica con un valor de temperatura de cada píxel.
Trimble Inpho UASMaster
El Trimble Inpho UASMaster es una completa estación de trabajo fotogramétrica para el UAS y las imágenes terrestres de corto alcance. Trimble tiene más de 30 años de experiencia en la fotogrametría aérea digital.

Su nuevo UASMaster combina los modernos algoritmos de visión por ordenador, con técnicas fotogramétricas de última generación comprobadas, para producir resultados precisos de forma automática, con una interacción manual mínima.

Algunos de los aspectos más destacados del UASMaster de Trimble Inpho son los siguientes;

Abierto para cualquier cámara de ala fija, multirotor o de marco manual.
Soporte especial para datos GNSS / IMU de alta calidad para un procesamiento estable en condiciones difíciles o para eliminar la necesidad de control en tierra.
Flujo de trabajo racionalizado para la extracción automática de características con eCognition y una integración perfecta en Trimble Business Center para la aplicación topográfica clásica.
Concepto de flujo de trabajo guiado intuitivo para el principiante en fotogrametría.
Totalmente compatible con los módulos de fotogrametría Inpho de Trimble.
Software gratuito de fotogrametría Altizure
La aplicación Altizure permite el mapeo tridimensional totalmente automatizado de un área. Usted esboza un área en el mapa y la aplicación calculará la mejor ruta para tomar imágenes del área.

Estas imágenes pueden ser subidas a la página web de Altizure, donde son analizadas por su software para crear un renderizado 3D de su ubicación (también puede animar su creación).

Los drones compatibles son el DJI Mavic, Phantom 3, 4, Inspire 1 e Inspire 2. Altizure tiene una versión gratuita y también un servicio de pago.

Aquí hay una muestra de la calidad de salida usando un dron y la aplicación Altizure.

Altizure Software For 3D Models And Maps
Aplicación de despliegue de drones
La aplicación de software DroneDeploy automatiza el vuelo de los drones y hace que sea muy fácil capturar imágenes aéreas. La plataforma DroneDeploy procesa las imágenes de los UAV usando visión por computador convirtiéndolas en mapas y modelos en 2D y 3D.

Todo lo que necesita es un avión teledirigido y un dispositivo móvil con la aplicación móvil DroneDeploy instalada.

Las imágenes capturadas por el dron están geo-etiquetadas, lo que ayuda a crear los mapas. Mientras el avión no tripulado vuela, un mapa en 2D aparecerá en su aplicación DroneDeploy. Cuando termine, suba las fotos a la página web de DroneDeploy. Después de unas pocas horas las fotos se mezclan en un mapa o modelo 3D.

Características de la aplicación móvil Drone Deploy;

Hacer fácilmente planes de vuelo en cualquier dispositivo.
Automatiza el despegue, el vuelo, la captura de imágenes y el aterrizaje.
Transmisión en vivo de la vista en primera persona (FPV).
Deshabilitar el vuelo automático y reanudar el control con un solo toque.
Continuar fácilmente los vuelos ininterrumpidos para trazar mapas de grandes áreas.
Explore los mapas interactivos de Ortomosaico, NDVI, Elevación Digital y modelos 3D.
Mida el área y el volumen instantáneamente.
Colabore con un equipo a través de mapas compartidos y comentarios.
Obtenga ayuda cuando la necesite con el soporte de la aplicación.
Software de Fotogrametría Precision Mapper & Viewer
PrecisionMapper trabaja en línea para procesar automáticamente los datos aéreos en productos 2D o 3D. Cuenta con una biblioteca en continua expansión de herramientas de análisis bajo demanda, y hace que compartir o colaborar sea muy fácil.

Así es como funciona este software de fotogrametría PrecisionMapper;

Recoge datos aéreos con el dron.
Cargue los datos a su cuenta y procese los productos 2D o 3D.
Gestione, colabore y comparta datos con cualquiera.
Analice los datos con una biblioteca de herramientas de análisis bajo demanda.
Resultados clave de Precision Mapper
Ortomosaicos.
Modelos 3D.
Herramientas de análisis de la salud de los cultivos.
Medición de volumen.
Visor de precisión
PrecisionViewer es un software de escritorio que permite a los usuarios ver fácilmente la cobertura de la trayectoria de vuelo, añadir puntos de control en tierra y adjuntar registros de vuelo y límites de vuelo a los estudios.

Leer más

La Organización de las Naciones Unidas para la Alimentación y la Agricultura (FAO) predice que la población mundial alcanzará los 8.000 millones de personas en 2025 y los 9.600 millones en 2050. Para mantener el ritmo, la producción de alimentos debe aumentar en un 70 por ciento para 2050.

Sin embargo, existen varias barreras para cumplir con este imperativo, que incluyen:

La ralentización del crecimiento de la productividad
La disponibilidad limitada de tierra cultivable
Cambio climático
La creciente necesidad de agua dulce
El precio y la disponibilidad de energía, en particular de combustibles fósiles.
El impacto de la urbanización en
la oferta de mano de obra rural : la edad promedio de los agricultores está aumentando y hay menos jóvenes que ingresan a la industria.
Para hacer frente a estos desafíos, la FAO recomienda que todos los sectores agrícolas estén equipados con herramientas y técnicas innovadoras, en particular tecnologías digitales.
En lugar de reemplazar la experiencia y el instinto de los agricultores, los sistemas de apoyo a la toma de decisiones basados ​​en las TIC, respaldados por datos en tiempo real, brindan información con un nivel de granularidad que antes no era posible.

La agricultura de precisión a veces se conoce como ‘agricultura inteligente’, un término general para facilitar la comparación con otras implementaciones basadas en M2M, como medición inteligente, ciudades inteligentes, etc. La agricultura de precisión es una metodología especializada en sí misma. Se basa en tecnologías de sensores cuyo uso está bien establecido en otras industrias, por ejemplo, telemática para la gestión de flotas, monitoreo ambiental de contaminantes, monitoreo de eHealth en pacientes, etc.

La agricultura de precisión tiene como objetivo optimizar el rendimiento por unidad de tierra de cultivo mediante el uso de los medios más modernos de una manera continuamente sostenible, para lograr lo mejor en términos de calidad, cantidad y rentabilidad financiera.La agricultura de precisión hace uso de una gama de tecnologías que incluyen servicios de GPS , sensores y big data para optimizar el rendimiento de los cultivos. En lugar de reemplazar la experiencia y el instinto de los agricultores, los sistemas de apoyo a la toma de decisiones basados ​​en TIC, respaldados por datos en tiempo real, pueden proporcionar adicionalmente información sobre todos los aspectos de la agricultura a un nivel de granularidad que antes no era posible. Esto permite una comprensión más precisa de lo que está sucediendo a nivel de base, lo que a su vez permite tomar mejores decisiones, lo que resulta en menos desperdicio y máxima eficiencia en las operaciones. Las disciplinas y habilidades que ahora se requieren para la agricultura incluyen robótica, imágenes basadas en computadora, tecnología GPS, soluciones basadas en la ciencia, pronóstico del clima, soluciones tecnológicas, controles ambientales y más. Por lo tanto, para hacer el mejor uso de todas estas tecnologías, es esencial capacitar a los agricultores y administradores agrícolas en su uso.

Para todas las implementaciones M2M, los sistemas de TI recopilan, cotejan, analizan los datos y los presentan de tal manera que se inicie una respuesta adecuada a la información recibida. Para los agricultores y los agricultores, el agricultor presenta una amplia variedad de información sobre el comportamiento del suelo y los cultivos, el comportamiento de los animales, el estado de las máquinas, el estado del tanque de almacenamiento que emana de sitios remotos para que actúen. Esto se analiza junto con una amplia gama de datos. Las oficinas agrícolas ahora recopilan grandes cantidades de información de rendimiento de cultivos, mapeo de suelos, aplicaciones de fertilizantes, datos meteorológicos, maquinaria y salud animal; todos estos son factores que influyen en la agricultura, como los suelos, la nutrición y el clima. Los datos son el componente fundamental de la agricultura inteligente, ya sea que provengan de una muestra de suelo o de una señal de corrección satelital. Por ejemplo, Los puntos de datos recopilados pueden resaltar la variabilidad espacial y temporal dentro de un campo. Muchos factores pueden contribuir a esta variabilidad; comprender el efecto de cada factor solo puede medirse y gestionarse mediante el análisis estadístico de los datos.Captura de pantalla 2016-01-23 a las 10.41.28

El gráfico de la derecha muestra los diferentes tipos de tecnologías involucradas en la agricultura inteligente. El conjunto de tecnologías utilizadas en la agricultura inteligente es complejo, para reflejar la complejidad de las actividades dirigidas por agricultores, productores y otras partes interesadas del sector.

Finalmente, es importante destacar la contribución cada vez más importante de la robótica en la visión de la granja inteligente a través de varios tipos de vehículos autónomos, drones, sistemas de ordeño automático y robots recolectores de frutas y verduras.

Hacia la granja inteligente
Lo que hace que la agricultura de precisión sea especial es el sistema de TI en el otro extremo de la cadena de suministro, el sistema de apoyo a las decisiones en la oficina administrativa. Si bien la tecnología aún está en su infancia, la noción de ‘granja conectada’ se está acercando, particularmente si los siete tipos de actividad agrícola que enumeramos a continuación están de alguna manera conectados no solo entre sí, sino también a una gran cantidad de datos históricos. tales como eventos meteorológicos, clima, economía, información y especificaciones del producto, configuración de la máquina, etc.

También anticipamos que el uso de sensores en la agricultura se extenderá a áreas adjuntas, como el monitoreo ambiental, la gestión de la tierra y la trazabilidad de los alimentos.

De esto se trata el Internet de las cosas, que conecta sistemas para permitir una visión integrada y multidimensional de las actividades agrícolas, lo que permite una comprensión más profunda de cómo funciona todo el ecosistema. La agricultura de precisión se convertiría en una «agricultura de decisión».

También es importante aprender las lecciones de otros despliegues de proyectos ‘inteligentes’ a gran escala, en particular los proyectos de medición inteligente en curso en países europeos.

Desde una perspectiva industrial M2M, el sector agrícola todavía se considera un sector menor. Si bien el impacto más inmediato de las tecnologías M2M en la agricultura se centra en proporcionar conectividad remota entre sensores en el campo y sistemas de gestión de información agrícola, las tecnologías M2M y todas las tecnologías en torno a la visión de Internet de las cosas son habilitadores clave para la transformación del sector agrícola hacia el visión agrícola inteligente. También anticipamos que el uso de sensores en la agricultura se extenderá a áreas adjuntas, como el monitoreo ambiental (ver el estudio de caso a continuación), la gestión de la tierra y la trazabilidad de los alimentos. Esto es una consecuencia del mayor enfoque del público en temas como la seguridad alimentaria y la preservación de la vida silvestre. También es importante aprender las lecciones de otros lanzamientos de proyectos ‘inteligentes’ a gran escala, en particular, los proyectos de medición inteligente en curso en países europeos. Por ejemplo, el gobierno del Reino Unido se está esforzando mucho para garantizar que exista un marco regulatorio completo para respaldar el programa y que se comprendan todas las implicaciones legales. Estos se refieren a la privacidad del cliente, la propiedad de los datos recopilados y si está permitido que estos datos se reutilicen para otros usos. Estas cuestiones son igualmente relevantes para la industria agrícola, y es necesario implementar un marco similar para obtener las mejores ventajas de la «agricultura inteligente». y si está permitido reutilizar estos datos para otros usos. Estas cuestiones son igualmente relevantes para la industria agrícola, y es necesario implementar un marco similar para obtener las mejores ventajas de la «agricultura inteligente». y si está permitido reutilizar estos datos para otros usos. Estas cuestiones son igualmente relevantes para la industria agrícola, y es necesario implementar un marco similar para obtener las mejores ventajas de la «agricultura inteligente».

Además, existe el problema de la propiedad de los datos que se recopilan de los sensores: se dice que los agricultores son reacios a compartir sus datos. Es necesario elaborar un caso comercial, junto con algunos incentivos para trabajar con proveedores de piensos, por ejemplo, y desarrollar la confianza. Varias iniciativas de la UE en la ganadería de precisión, financiadas por el 7PM y Horizonte 2020, están analizando todos estos temas.

Áreas de aplicación y el caso de la ganadería de precisión
La investigación ha identificado siete áreas de aplicación clave en las que la visión de Internet de las cosas puede dar forma a la granja del futuro.

Gestión de flotas (seguimiento de vehículos agrícolas)
Agricultura arable, agricultura de campo grande y pequeña
(Horticultura)
Ganadería de precisión
Cultivo interior (invernaderos y establos)
Acuicultura
Silvicultura
Supervisión de almacenamiento: tanques de agua, tanques de combustible
Estas áreas de aplicación pueden coexistir en varios casos y también pueden implicar el uso de diferentes conjuntos de tecnologías. En aras de la brevedad, este trabajo analizará el caso de la ganadería de precisión como ejemplo.

Estudio de caso: ganadería de precisión
La gestión del ganado es un área madura en la agricultura inteligente. Existe un caso creciente para usar Internet de las cosas para monitorear la salud y el estado de los animales de granja, recopilar datos y analizar esos datos e intercambiar datos y análisis por una variedad de razones, existen diferentes razones para el ganado vacuno, ovino, equino, porcino y pollos.

Vacas
La leche tiene un valor elevado y el ordeño robotizado va en aumento. Hoy en día, los ordeñadores robóticos tienen todos los datos vinculados por defecto. Con el ordeño controlado por software junto con el uso de una etiqueta electrónica, los agricultores pueden obtener información detallada sobre el rendimiento y la calidad de la leche, pero también los requisitos de salud y alimentación de cada animal, y la advertencia de enfermedades inminentes.

Cada vez es más evidente que la salud de los animales de granja no puede separarse de la salud del medio ambiente, la gestión de la tierra y, finalmente, la salud humana.

Oveja
En el Reino Unido, el caso del rastreo en la cría de ovejas es cada vez más urgente. Aquí la cría de ovejas no se distribuye de manera uniforme: determinadas razas ocupan entornos específicos a los que se adaptan mejor. Los agricultores de las colinas a menudo son pobres y sus rebaños deambulan por áreas muy grandes y es difícil ver si quedan cojos. En los últimos meses, el susurro de ovejas se ha vuelto gravemente endémico y los agricultores han perdido rebaños enteros. En el invierno, las ovejas pueden quedar enterradas en la nieve y pueden morir si no se encuentran. En particular, el bienestar y la supervivencia de los corderos son críticos, especialmente cuando se acerca el momento en que las ovejas parirán. La teledetección de incluso partes de la bandada permitiría comprender mejor los problemas y sugeriría soluciones.

Cerdos y pollos
Los cerdos y las gallinas permanecen principalmente en sus casas. Utilizando técnicas de monitoreo es posible determinar las condiciones de la vivienda, no solo controlando la temperatura y la humedad, sino también midiendo los niveles de polvo y gases. También es posible monitorear la agresión y varios parámetros de comportamiento. Por lo tanto, la información detallada puede revelar el estado de la salud y el bienestar de los animales, lo que a su vez impacta en la industria alimentaria más adelante.
En 2015, se plantearon planes para la creación de un Centro de excelencia ganadera en el Reino Unido, respaldado por una inversión inicial de 34 millones de libras. Los patrocinadores incluyeron multinacionales y empresas de los sectores de la cría de animales, la salud animal, la alimentación y la nutrición y la tecnología, que cubren una amplia gama de la cadena de suministro. El Grupo de Enfoque EIP-Agri de la UE también está investigando las emisiones del ganado y sus efectos más amplios.

Leer más

En su discurso de apertura en la XI Conferencia Internacional sobre Agricultura de Precisión, el Dr. Newell Kitchen, USDA-ARS, destacó el importante papel que juega el manejo de nutrientes en la industria. «La gestión de nutrientes ha sido un punto de partida, el semillero de muchos de los conceptos en los que empezamos [en agricultura de precisión]». Señaló que en los primeros años de la conferencia, hasta el 70 por ciento de los trabajos presentados trataban sobre el manejo de nutrientes. Ese número sigue rondando el 50 por ciento y puede aumentar en los próximos años a medida que continúen creciendo las opciones para el manejo de nutrientes de precisión.

Se puede pensar que la historia del manejo de nutrientes de precisión se desarrolla en tres fases: adopción, integración y responsabilidad. El Dr. Kitchen señaló que desde el principio, básicamente tomamos lo que sabíamos sobre el manejo de nutrientes y le aplicamos un componente espacial. El movimiento de agricultura de precisión realmente comenzó a expandirse y superar muchas de las deficiencias de los enfoques de adopción cuando los agrónomos y agricultores comenzaron a integrar el conocimiento existente con nuevas tecnologías. Citó los sensores del dosel de los cultivos como un ejemplo de las opciones de crecimiento para el manejo de nutrientes de precisión creadas al integrar información espacial y temporal en tiempo real en el proceso de toma de decisiones.

La administración de nutrientes 4R es otro ejemplo de integración en el manejo de nutrientes. El Dr. Kitchen reconoció que las ideas de aplicar la fuente correcta a la tasa correcta, en el momento correcto y en el lugar correcto siempre han sido fundamentales en nuestra comprensión y aplicación de la fertilidad del suelo y la nutrición de las plantas. Sin embargo, el lenguaje, el carácter descriptivo y el énfasis holístico que se pone en las 4R es único y fresco y ahora «la agricultura de precisión está entretejida en muchos de los conceptos de la administración de las 4R». También dijo: “La ciencia y las tecnologías de precisión nos permiten enfatizar [las 4R] al mismo tiempo; envolver nuestros brazos alrededor de los conceptos de una manera que podamos avanzar de manera significativa «.

Las herramientas de agricultura de precisión pueden proporcionar la retroalimentación y el mantenimiento de registros necesarios para la responsabilidad necesaria en la gestión de nutrientes. Incluir la responsabilidad es otra forma en que la administración de las 4R va más allá del manejo tradicional de nutrientes. Una de las principales formas en que esto se logra es mediante la inclusión de un mecanismo de retroalimentación dinámica. En el pasado, el manejo de nutrientes era lineal, principalmente de arriba hacia abajo, sin retroalimentación ni evaluación de cambios en la práctica. La administración de nutrientes de 4R proporciona el marco para la participación de las partes interesadas a nivel de granja, regional y de formulación de políticas, y las herramientas de agricultura de precisión pueden proporcionar retroalimentación a todos estos actores. El uso de indicadores de desempeño como una evaluación objetiva de las prácticas de gestión aumenta el nivel de responsabilidad que es importante para la mayoría de las partes interesadas. Las tecnologías agrícolas de precisión también hacen que los indicadores de rendimiento sean más precisos y efectivos. El Dr. John Fulton, de la Universidad de Auburn, se hizo eco del Dr.

La integración de la agricultura de precisión y la administración de nutrientes 4R mejora nuestra capacidad para cumplir con los objetivos de sostenibilidad de los sistemas de producción de cultivos.A medida que más productores adoptan tecnologías de precisión para la orientación, el control de tasa variable, la recopilación de datos y la gestión de la información, su capacidad para aplicar la fuente de nutrientes adecuada, a la tasa adecuada, en el momento y lugar adecuados aumenta considerablemente. Esta integración también mejora la retroalimentación entre las partes interesadas y aumenta la confianza en que los desafíos económicos, ambientales y sociales que enfrenta la producción agrícola pueden verse como oportunidades para avanzar aún más en la gestión de nutrientes. Cuando nosotros, como comunidad agrícola, nos comprometamos con este enfoque, comenzaremos a cambiar las actitudes de las personas sobre el manejo de nutrientes y encontraremos, como dijo el Dr. Kitchen en sus comentarios finales, «una gran frontera por delante».

Leer más

El uso de dispositivos UAV (vehículos aéreos no tripulados) está revolucionando el mundo de la agricultura. Cuando se habla de agricultura de precisión y el uso de drones en el informe: «Un ojo en el cielo para la agricultura: la revolución de los drones», la Organización para la Agricultura y la Alimentación escribe «En el entorno actual, el uso de tecnologías de la información y la comunicación sostenibles en la agricultura no es un opción. Es una necesidad «.

Según un estudio de Munich Reinsurance American Inc., casi tres de cada cuatro agricultores de EE. UU. Están «actualmente utilizando o considerando adoptar tecnología de drones para evaluar, monitorear y administrar sus granjas».

Jason Dunn, experto en productos estratégicos de Munich Reinsurance American Inc. dijo: “Ya sea que una granja tenga menos de 100 o más de 5,000 acres, los drones pueden ser los ojos y los oídos de los agricultores que desean monitorear y administrar de manera eficiente y rentable cultivos, ganado y condiciones del suelo «.

Estudio de caso: un productor de café
Los UAV permiten a los agricultores, con nuevos tipos de datos, monitorear sus rendimientos. Los agricultores tienen información más precisa para tomar mejores decisiones y enfocarse en lo que son buenos.

Si bien gran parte del software utilizado en la agricultura de precisión permite el análisis del NDVI (índice de vegetación de diferencia normalizada) del rendimiento, se puede extraer y analizar mucha más información a partir de estos datos. Gracias a nuestro uso innovador y patentado de Machine Learning, Picterra brinda a los usuarios la capacidad de crear detectores personalizados, que identifican, cuentan y localizan objetos identificables en imágenes de drones y satélites. En el caso de la agricultura, los agricultores pueden, por ejemplo, segmentar automáticamente sus campos o contar el número de plantas.

La creación de un detector personalizado permite una aplicación variable en diferentes momentos:

Estimación del rendimiento de la cosecha contando cultivos individuales en la emergencia inicial dentro de los campos
Identificación y ubicación de enfermedades o pérdida de rendimiento mediante la comparación de dos conjuntos de imágenes y la selección de un área de resultados específica.
Configuración de mapas de estrés de cultivos con orientación de encuestas de agronomía
Uno de nuestros clientes, un productor de arábica en Brasil, utiliza la plataforma Picterra para detectar y monitorear sus cultivos de café. Utilizando un dron, produjo imágenes detalladas que cubrían 8 hectáreas de campos, con una alta resolución de 5 cm. Luego creó un detector personalizado para detectar automáticamente los cultivos de café dentro de sus campos. Al utilizar el detector, pudo llegar a una estimación del rendimiento de la cosecha, que resultó ser mucho más precisa que los métodos de conteo manual anteriores, ya que conocía el número exacto y la ubicación de las cosechas. Más adelante en la temporada, el productor identificó las áreas menos productivas de estos campos comparando el número de plantas en cada área. Con tal análisis, pudo concentrarse en zonas del campo que necesitaban una atención especial. Además, ahora usa niveles mucho más bajos de pesticidas en general.

Entonces, en menos de 10 minutos, este cultivador ha creado un detector para contar el número de cultivos de arábica dentro de sus campos, y con solo unos pocos clics, obtuvo los resultados y el análisis de los objetos específicos a los que apunta su detector personalizado.

Paul, nuestro analista de datos ( paul.duperrex@picterra.ch ), explica cómo lo hizo:

Cómo se puede crear un detector personalizado
Con la plataforma Picterra, cualquiera puede acceder y utilizar nuestros modelos de aprendizaje automático (ML) fácilmente, sin ningún conocimiento previo de inteligencia artificial o ciencia de datos. La plataforma no requiere habilidades de codificación y no es necesario ser un experto técnico. Para crear un detector de modelo ML, el primer paso es enseñarle a su detector personalizado lo que ve, dónde está la información relevante, lo que está buscando y también lo que no está buscando. Te explicamos cómo lo haces paso a paso.

Subir imagenes
Después de haber creado una cuenta, debe cargar imágenes de su proyecto. Se puede cargar en múltiples formatos (.tiff, .tif, .png, .jpeg) con un tamaño máximo de 10 GB. Una segunda opción con la plataforma es cargar imágenes satelitales desde Mapbox.

En el caso de nuestro productor de café, las imágenes son producidas por drones con una resolución de 5cm, en formato .tif. Estas imágenes luego se cargan en la plataforma.

Figura 1: Biblioteca de imágenes del proyecto
Entrena al detector
El siguiente paso es crear un detector para su caso de uso. Cada detector es personalizado y entrenado por el usuario para satisfacer sus necesidades. Primero, el usuario indica al detector dónde está la información relevante dibujando áreas de entrenamiento. El detector se enfocará y se entrenará a sí mismo con información dentro de estas áreas. Dentro de las áreas de entrenamiento, el usuario anota cada objeto que está buscando, sin perder uno. La información que no está anotada dentro de las áreas de entrenamiento es segmentada por el detector como objetos no deseados.

Para la detección de cultivos de café, el productor crea un área de capacitación con aproximadamente diez cultivos. Luego, anota los cultivos con círculos. Para mejorar la precisión de los resultados, el productor agrega algunos contraejemplos con colores similares. Esto significa resaltar áreas de entrenamiento sin anotaciones. Indica al detector lo que no le interesa al productor, como el bosque o la hierba.

Iterar el proceso
Luego, el usuario ejecuta el modelo de detector para una primera iteración. Es necesario revisar los resultados para concluir si el detector está funcionando bien. Los resultados dependerán de la información proporcionada – las áreas de entrenamiento y las anotaciones – y de la diversidad de características dentro de las imágenes. Por lo tanto, cuanta más información le dé al detector, más preciso será. Entonces, las imágenes con muchos colores, texturas y tamaños de objetos diferentes pueden necesitar más atención y múltiples iteraciones para obtener resultados precisos. Tenga en cuenta que si los objetos son fáciles de distinguir a simple vista, el detector no tendrá ninguna dificultad. Después de cada iteración, el detector se puede mejorar agregando más áreas de entrenamiento y anotaciones. Lea nuestro artículo sobre detección de ovejas para seguir un ejemplo de proceso iterativo completo:https://picterra.ch/2019/03/25/a-crash-intro-into-ai-powered-object-detection/

El caso de los cultivos de café no es complicado y los cultivos son bastante fáciles de distinguir. Los primeros resultados ya son muy buenos. Sin embargo, para obtener resultados precisos en los demás, el productor agrega un par de anotaciones adicionales de cultivos y algunos contraejemplos más.

Obtenga los resultados
Los resultados finales pueden descargarse en el formato deseado y agregarse al software GIS (Sistema de Información Geográfica). También es posible generar un informe .pdf de los resultados para incluir en su proyecto.

El detector está listo para extenderse a todo el proyecto y se ejecuta en otras imágenes. Después de haber invertido algo de tiempo para crear un detector, puede implementarlo en todas las imágenes que desee con un solo clic, lo que le ahorrará mucho tiempo.

Leer más

El término big data puede parecer a primera vista incongruente con la agricultura animal. Sin embargo, al capturar, analizar, informar y compartir los datos de la cadena de producción con los tomadores de decisiones, las organizaciones están mejor equipadas para tomar decisiones informadas. Un aspecto fundamental de este proceso es el tipo de datos, su relevancia, precisión e integridad.

No se puede subestimar la importancia de capturar datos relevantes y precisos que se informan en un tiempo y espacio significativos. Sin embargo, existen desafíos importantes con el big data para la producción avícola, sobre todo con los conceptos básicos de captura de datos, almacenamiento, seguridad, análisis y realización de cambios significativos basados ​​en los datos. Este documento revisará las tecnologías actuales disponibles o en desarrollo para el

Datos de la granja
a) Medio ambiente
Con la llegada de la ventilación de túnel para los establos de aves de corral hace más de tres décadas, la capacidad de controlar y monitorear las condiciones ambientales como la temperatura, la humedad relativa, la ventilación, la iluminación, la calidad del aire y el índice de calor / comodidad de las aves ha avanzado significativamente. Dado que estas tecnologías existen actualmente y se utilizan ampliamente, el enfoque de esta revisión se concentrará en tecnologías emergentes e identificará oportunidades para el desarrollo. Sin embargo, vale la pena señalar que, aunque la regulación y el monitoreo de las condiciones ambientales se ha vuelto cada vez más automatizado, la presentación de informes y la difusión de estos registros más allá de la granja a menudo está fragmentada y sigue siendo un área de mejora.

b) Agua
Los medidores de agua son más comunes en las granjas que los dispositivos de medición de alimentos; sin embargo, no todas las granjas o cobertizos los tienen. Quizás sea evidente que el consumo de agua es un indicador crucial de la salud de las aves y, por extrapolación, puede dar alguna indicación del consumo de alimento. Sin embargo, los datos sobre el agua a menudo se pasan por alto en la granja o no se registran ni se informan de manera que respalden mejor la gestión óptima de las bandadas. El registro de datos de ingesta de agua por hora, si no diaria, ayudaría a identificar las tendencias en el consumo, particularmente la ingesta disminuida que puede preceder a un problema de salud y brindar una oportunidad para una investigación e intervención tempranas.

c) Piensos
Cuando se trata de la producción avícola, los factores clave de la eficiencia y la rentabilidad se centran en los piensos. Si bien el pienso es solo uno de los muchos componentes de la producción avícola, su contribución a la eficiencia de la producción merece especial atención. Según se informa, los costos de los piensos representan el 60-70% de los costos de producción y, por lo tanto, no se puede dejar de enfatizar su importancia para la economía de una empresa avícola.
Sin embargo, paradójicamente, esta métrica es quizás la menos informada. El volumen de alimento consumido para cada lote o ciclo de producción se aproxima en la finca utilizando diversas combinaciones de ingresos de las fábricas de alimentos balanceados y estimaciones subjetivas que van desde algo tecnológicamente avanzado hasta arrojar piedras a los silos. De los métodos tecnológicamente más avanzados para la estimación del uso de piensos, algunos son propensos a errores y requieren considerablemente más mantenimiento que otros. Cualquiera que sea el método que se utilice, aunque podría considerarse un paso adelante en el seguimiento de la alimentación, la precisión de los datos puede ser cuestionable y, por lo tanto, potencialmente engañosa. La necesidad (y el deseo) de medir e informar con precisión la ingesta de alimento en tiempo real es significativa y los beneficios de estos datos no deben subestimarse.
Otro factor que contribuye a la imprecisión de los informes de alimentos es que, a pesar de las mejores intenciones, la mayoría de las veces el uso de alimentos se informa después de que el lote ha terminado y con datos incompletos. La precisión de esto también se basa en la estimación de alimento que queda en el silo al final del lote. Dados los métodos anteriores que se utilizan habitualmente para estimar el inventario de silos, la aplicación de un control del volumen de alimentación más preciso es clave para proporcionar datos significativos a diario e incluso cada hora y en tiempo real. Hacer hincapié en el potencial de este flujo de datos para mejorar la toma de decisiones sobre la producción avícola da como resultado la capacidad de comparar parvadas, galpones, granjas y cambios en la gestión / nutrición. Actualmente, a menos que haya granjas de investigación disponibles, la capacidad de cuantificar con precisión los efectos sobre el rendimiento / eficiencia de las aves en respuesta a cambios en la formulación de los piensos, los aditivos de los piensos y la fabricación de piensos es limitada. El potencial para monitorear la entrega de alimento en los cobertizos y, por lo tanto, calcular el consumo diario de alimento, es quizás uno de los desafíos más importantes en la granja, pero las oportunidades aquí son enormes.

d) Peso corporal vivo y uniformidad
El peso corporal vivo y la uniformidad de la parvada son importantes para evaluar el crecimiento, la eficiencia alimentaria y los problemas subyacentes de salud o bienestar. Actualmente, el peso corporal promedio y la uniformidad de las aves se obtienen pesando manualmente un subconjunto de la bandada o, con menos frecuencia, con plataformas de pesaje automáticas. El pesaje manual de aves es laborioso y limita el número de aves muestreadas, lo que puede representar erróneamente la bandada. Las plataformas de pesaje automáticas están sujetas a los caprichos del comportamiento y el peso corporal de las aves. Es menos probable que las aves más pesadas se suban a las plataformas de pesaje, lo que lleva a una subestimación del peso corporal de la parvada hasta en un 30%. Concordantemente, este escenario es más evidente hacia el final del ciclo de producción en los pollos de engorde, cuando el peso corporal de los pollos de engorde es crucial para programar los tiempos de recogida.

e) Biosensores
Un área emergente en la ganadería es el uso de tecnologías avanzadas de biosensores como microfluidos, analizadores de sonido y algoritmos de detección de imágenes. Se ha informado que los analizadores de sonido son efectivos para predecir los niveles de ‘estrés’ en las gallinas ponedoras, el confort térmico de los pollitos durante la etapa de crianza, el rendimiento de crecimiento de los pollos de engorde y los pollitos antes de la eclosión. El seguimiento de la distribución espacial de las aves puede proporcionar indicadores del comportamiento de las aves, las condiciones ambientales y la actividad de las aves. Se prevé que estos sensores se incorporarán en las unidades de producción avícola y alimentarán los datos (información) a los gestores de ganado avícola para permitir una adecuada toma de decisiones relacionadas con el manejo de las aves. Actualmente, la adopción de estas tecnologías es baja; sin embargo,

Limitaciones y barreras para la adopción
La tecnología digital es un facilitador clave en toda la cadena alimentaria; sin embargo, a pesar de las claras tendencias en otros países, Australia tiene un retraso significativo en el uso de plataformas de software e información digital. Los impedimentos para la adopción de la tecnología digital son multifactoriales, pero pueden atribuirse en gran medida a las limitaciones de capital necesarias para implementar dichos sistemas y la cobertura de telecomunicaciones inadecuada, especialmente en las granjas ubicadas en áreas remotas. Los esfuerzos para mejorar la conectividad a Internet en áreas remotas están progresando, pero el acceso a Internet sigue siendo inconsistente, poco confiable y lento en muchas áreas. Trabajar alrededor de las soluciones para esto es costoso y, dada la ubicación y la propiedad fragmentadas de las granjas, es poco probable que una sola granja avícola pueda justificar el capital requerido.
Otra consideración en la adopción de tecnologías de informes y monitoreo digitales es la propiedad y seguridad de los datos. En empresas totalmente integradas en las que las granjas son propiedad de la empresa o son administradas por ella, los problemas relacionados con la propiedad de los datos y la presentación de informes transparentes son quizás menos controvertidos que en situaciones en las que se contratan productores por contrato. De manera similar, es más probable que las organizaciones más grandes cuenten con departamentos de TI dedicados y protocolos de seguridad que los operadores más pequeños. En situaciones en las que se emplean productores por contrato, pueden surgir sensibilidades relacionadas con el intercambio de datos y la seguridad con inquietudes planteadas sobre cómo las empresas avícolas almacenarán, compartirán e interpretarán los datos. Esto último puede afectar las negociaciones del contrato o los pagos y necesitaría una aclaración al inicio de un proyecto de datos. Cualquiera que sea el caso,

Conclusiones
La adopción de tecnología para el monitoreo y la gestión debe basarse en algunos fundamentos; de lo contrario, existe el riesgo de verse abrumado por datos erróneos o sin sentido. Una advertencia sobre el uso de big data para la producción avícola es que la combinación de personas y datos es fundamental para el éxito. Se requerirá personal capacitado para interpretar los datos y manejar las bandadas en el campo; Big Data no es un reemplazo para las personas capacitadas, sino una herramienta para permitir la toma de decisiones. Para maximizar el valor de los macrodatos en la producción avícola, será necesario emplear un enfoque de cadena de valor completa y también requerirá ajustes en la forma en que se comparten los datos actualmente. Un objetivo general del uso de big data en la producción avícola debería ser proporcionar los datos correctos a la persona adecuada en el momento adecuado.

Leer más

La agricultura de precisión utiliza insumos (nutrientes, pesticidas, semillas o agua) de manera moderada y estratégica para mejorar la productividad y la eficiencia de los recursos, reducir costos y ejercer un impacto ambiental mínimo. La agricultura de precisión se ejerce con mayor frecuencia en los países desarrollados, donde las granjas suelen ser mucho más grandes que en los países en desarrollo (10ha – 1.000ha o más) y cuentan con mejores recursos, lo que permite sistemas mecanizados de producción de cultivos. La agricultura de precisión en los países desarrollados implica cada vez más nuevas tecnologías como imágenes de satélite, tecnología de la comunicación de la información y herramientas geoespaciales. [1]Los agricultores utilizan estas tecnologías para recopilar, analizar y trazar datos sobre los niveles de productividad, así como las variables ambientales y de calidad del suelo en diferentes partes de sus campos para aplicar diferentes nutrientes, cantidades de agua y mezclas de fertilizantes de acuerdo con las necesidades del suelo y los cultivos en lugares específicos. [2]

En muchos países en desarrollo, hay poco o ningún uso de la tecnología occidental de agricultura de precisión. Esto se debe al menor tamaño de los campos, el acceso limitado a la tecnología, el capital financiero y la capacitación . No obstante, los agricultores exploran los medios y recursos disponibles para aumentar la productividad y la producción agrícolas. [3] Mediante la aplicación prudente y específica de insumos, la agricultura de precisión contribuye a la intensificación sostenible.al permitir que los agricultores aumenten sus rendimientos con menos insumos que otros métodos de aplicación, como el esparcimiento (esparciendo sobre un área grande) fertilizantes o semillas, por ejemplo. Esto también puede mejorar la calidad y la humedad del suelo al tiempo que minimiza el impacto ambiental que puede causar el uso excesivo de insumos. [4] Además, la aplicación específica de insumos puede ayudar a los agricultores a ser más competitivos al reducir los costos de producción. La agricultura de precisión implica medidas como el uso selectivo de insumos mediante microdosificación, análisis del suelo y espaciamiento adecuado de las semillas en lugar de la difusión.

Leer más

El Internet de las cosas (IoT) y las técnicas basadas en datos están creando mayores oportunidades para la producción lechera inteligente. La demanda de leche aumenta continuamente debido al aumento de la población mundial. El consumo de productos lácteos es más en los países desarrollados que en los países en desarrollo. Para satisfacer esta mayor demanda de productos lácteos, se requieren mejores técnicas tecnológicas para mejorar la producción de leche. Se espera que el uso de IoT y diferentes técnicas de IA pueda ayudar a un agricultor a superar diferentes desafíos agrícolas tradicionales y aumentar la producción de leche. En esta investigación, los autores abordan diferentes desafíos a los que se enfrenta un productor lechero en la vida diaria. Se presenta una breve introducción de la ganadería lechera inteligente (SDF) con respecto a la innovación en la producción y los procesos de la ganadería lechera inteligente. Esta revisión se centra en diferentes aspectos de la ganadería lechera inteligente y, finalmente, se ha propuesto un marco de vanguardia que puede ayudar a los agricultores a aumentar la producción de leche mediante el uso de diferentes tecnologías más recientes. Estos métodos tecnológicos pueden disminuir los factores que afectan negativamente la producción de leche y aumentar los que afectan positivamente la producción con recursos mínimos.

1. Introducción
La ganadería lechera inteligente (SDF) es el concepto clave que puede satisfacer la creciente demanda de productos lácteos de calidad. Las SDF pueden reducir los problemas ambientales, disminuir el uso de recursos y mejorar la salud animal mediante el uso de tecnologías avanzadas de detección y análisis de datos. Desde 2015, la leche es el producto más exigente y se ha convertido en el producto con fuertes fluctuaciones de precios [ 1 ]. Para competir en el mercado mundial, el mercado lácteo europeo necesita mejorar su producción utilizando Internet de las cosas. La Tabla 1 presenta un análisis comparativo de diferentes países para la población mundial de vacas y la producción de leche.

tabla 1

Análisis comparativo de diferentes países para la población mundial de vacas y la producción de leche [ 2 ].
Tradicionalmente, existe una distinción entre la vaca lechera y la vaca de carne, pero a menudo se puede utilizar el mismo ganado para la producción de carne de vacuno y leche. La vaca produce una gran cantidad de leche durante su vida. La vaca lechera se puede encontrar en granjas o en rebaños donde un granjero o administrador de rebaño se encarga de la vaca para producir leche. Según los informes, hay 264 millones de vacas en todo el mundo y producen alrededor de 600 millones de toneladas de leche al año [ 2 ]. La Tabla 1 compara los países mejor clasificados por población de vacas en términos de producción de leche. La tabla contiene tres categorías: países desarrollados, en desarrollo y subdesarrollados. Según estos hechos y cifras, India es el país más poblado de vacas y produce aproximadamente dos tercios de la cantidad que produce Estados Unidos cada año. Cuadro 2 muestra las razones de la baja producción de leche y las posibles soluciones de estudios de investigación anteriores.

Tabla 2

Razones de la baja producción de leche y sus posibles soluciones.
1.1. Producción lechera inteligente
Los productores de leche se encuentran en la era de la agricultura de precisión, que se considera más importante para el suministro de información y para capturar un mercado competitivo, de ahí la necesidad de una variedad de fuentes de datos que contengan datos dinámicos y estáticos de las vacas sobre alimentación, parto, nutrición e inseminación y el proceso de producción de leche. Internet de las cosas comenzó a influir en la producción de leche. Este paso debe necesariamente tomarse para satisfacer la demanda de productos lácteos de una enorme población mundial. Son casi las últimas décadas en las que las demandas de leche se satisfacen sin la ayuda de la última tecnología; después de eso, no será posible encontrar la demanda de lácteos y productos lácteos sin tecnología. Siempre se considera una tarea desafiante decidir el momento correcto para ordeñar la vaca. La falta de tecnología puede hacer que la leche sea perecedera y frágil. En este asunto, IoT puede ayudar a los agricultores con dispositivos sensores portátiles para mantenerlos al tanto del estado de cada vaca. El sistema basado en sensores puede detectar de manera efectiva y correcta la enfermedad de la vaca, antes de que afecte la producción de leche. El propietario de la granja puede colocar el sensor en el cuello, la cola o la pata de la vaca para adquirir datos en tiempo real y examinar numerosos factores como el comportamiento, la actividad, la salud, el consumo de alimento, la producción de leche y el manejo de la fertilidad de la vaca. Estos sensores portátiles pueden detectar enfermedades de las vacas y enfermedades como la mastitis o cualquier otra enfermedad que pueda reducir la producción de leche [ El sistema basado en sensores puede detectar de manera efectiva y correcta la enfermedad de la vaca, antes de que afecte la producción de leche. El propietario de la granja puede colocar el sensor en el cuello, la cola o la pata de la vaca para adquirir datos en tiempo real y examinar numerosos factores como el comportamiento, la actividad, la salud, el consumo de alimento, la producción de leche y el manejo de la fertilidad de la vaca. Estos sensores portátiles pueden detectar enfermedades de las vacas y enfermedades como la mastitis o cualquier otra enfermedad que pueda reducir la producción de leche [ El sistema basado en sensores puede detectar de manera efectiva y correcta la enfermedad de la vaca, antes de que afecte la producción de leche. El propietario de la granja puede colocar el sensor en el cuello, la cola o la pata de la vaca para adquirir datos en tiempo real y examinar numerosos factores como el comportamiento, la actividad, la salud, el consumo de alimento, la producción de leche y el manejo de la fertilidad de la vaca. Estos sensores portátiles pueden detectar enfermedades de las vacas y enfermedades como la mastitis o cualquier otra enfermedad que pueda reducir la producción de leche [3 ].

1.2. Innovación en SDF
Según el diccionario de negocios, la innovación es una práctica para traducir una invención en cualquier servicio que cree un valor y el cliente pagará por ello. La innovación en la producción lechera inteligente está relacionada con la innovación en la producción (rendimiento de leche) y el proceso de la producción lechera. Los propietarios de granjas lecheras están a la vanguardia de la innovación agrícola. En una organización, un producto es algo que será creado por una empresa comercial y se venderá a otra empresa o al cliente. Los productores de leche producen leche en sus productores, que se venderá a otras empresas lácteas. En esta innovación, se pueden utilizar diferentes tecnologías de última generación para aumentar la producción de leche. Un proceso puede ser actividades coherentes para convertir insumos en resultados. La innovación de procesos puede ser un conjunto diferente de actividades que se pueden realizar en diferentes niveles en una granja lechera inteligente. En una granja lechera Solo el proceso de ordeño puede verse como un proceso singular, pero por otro lado son muchas las actividades que se realizan en la granja como la alimentación, el seguimiento de las vacas y la conservación de la leche. La innovación puede estar en diferentes procedimientos como el sistema de alimentación que puede detectar la necesidad de hambre de la vaca y alimentar automáticamente a la vaca y la detección automática de celo que ayudará en la reproducción, como se muestra en la Figura.1 . La evaluación de la salud y el seguimiento de las vacas para la detección y prevención de enfermedades ayudarán al granjero a localizar cualquier animal que necesite atención médica.

Figura 1

Innovación en ganadería lechera inteligente.
La ganadería lechera inteligente incluye sensores en tiempo real que recopilan datos de las vacas con la ayuda de collares inteligentes portátiles, análisis de datos de aprendizaje automático y centros de datos basados ​​en la nube que administran los datos y ayudan al agricultor a administrar la calidad de los productos lácteos como se muestra en Figura 2 .

Figura 2

Sensores para SDF.
El uso de hardware y paquetes aumentará la productividad del comercio agrícola para satisfacer los desafíos que enfrenta al ensamblar puntos de información completamente diferentes para impulsar la producción de la industria. Además, esta tecnología es inofensiva para la atmósfera y las vacas; por lo tanto, atrae a varias personas y equipos completamente diferentes, en contraste con las hormonas modificadas genéticamente y los aditivos alternativos dañinos y no naturales que generalmente se agregan para aumentar la productividad. La agricultura inteligente no es solo un seguimiento; también está relacionado con la correcta gestión empresarial. Al recopilar datos en bruto como el momento de la inseminación, el embarazo o el tiempo de parto, estos datos se utilizan para obtener información de valor y para aplicar algunas probabilidades y estadísticas para planificar el trabajo futuro y administrar la granja lechera correctamente. En el ejemplo de una vaca,

2. Fondo
La demanda de productos lácteos aumenta día a día debido al aumento de la población mundial. Según informes anteriores, el consumo de lácteos y productos lácteos es mayor en los países desarrollados en comparación con los países subdesarrollados, pero este cambio es cada vez mayor tras el aumento de la población mundial y el cambio en la dieta. Casi el 80% de los productos lácteos en los países subdesarrollados proviene de pequeños agricultores [ 2 ]. Este tipo de pequeños agricultores y agricultores familiares están lejos de la tecnología y practican la agricultura tradicional. Para capturar la mayor demanda del mundo, todavía se requiere el uso de tecnología en esta plataforma.

En este mundo empresarial moderno, los productores de leche se enfrentan a muchas limitaciones, como la gestión del rebaño, la capacidad de producción fija y las labores agrícolas que son muy caras. Con estas limitaciones y desafíos, un productor lechero puede aumentar la productividad y la eficiencia utilizando métodos de reproducción mejorados, monitoreo inteligente del manejo del rebaño para prevenir enfermedades, detección de problemas de salud y producción inteligente de leche. La Tabla 3 presenta un análisis comparativo de diferentes investigaciones en granjas lecheras.

Tabla 3

Análisis comparativo de diferentes investigaciones en explotaciones lecheras.
2.1. Revisión de literatura
Los investigadores introdujeron la idea principal de SDF hace casi dos décadas, y el desarrollo de granjas lecheras inteligentes ha llegado al mercado. Los diferentes investigadores tienen diferentes investigaciones y contribuciones. En la investigación [ 20 ], se han combinado diferentes ontologías para permitir el análisis de datos en SDF. Los autores han designado e implementado un proyecto de producción lechera inteligente con tecnología habilitada por sensores. Se han monitoreado diferentes actividades de las vacas. En los resultados, los investigadores han definido la ontología de la eficiencia alimentaria como el procedimiento de alimentación que, en última instancia, conduce a una mejor producción de leche. Para una mayor productividad de la leche, SmartHerd Management [ 21] para analizar el comportamiento de los animales y la vigilancia de la salud. En esta investigación, se ha presentado un diseño orientado a microservicios para ayudar a la computación distribuida. Esta investigación también aborda algunos problemas para implementar la ganadería lechera basada en IoT, como la conectividad a Internet en ubicaciones de granjas que se encuentran principalmente en áreas remotas. Para abordar este problema, los autores han propuesto una arquitectura basada en niebla que reduce el costo de transacción en un 84%. La salud y el bienestar de los animales constituyen el principal desafío para los productores de leche. La revisión en [ 22 ] enfatiza la integración y combinación de la nueva tecnología emergente basada en sensores con el sistema basado en actividades. Esta nueva tecnología puede ayudar a los agricultores a observar el comportamiento de las vacas y el sistema de reproducción.

Los investigadores y las industrias tienen como objetivo mejorar la salud de los animales lecheros para cultivar la producción de leche. En esta exploración también se han incluido diferentes tecnologías de última generación para mejorar la reproducción de las vacas. En la investigación [ 23 ], los autores describieron diferentes áreas clave para el manejo de la fertilidad con la ayuda de dispositivos sensores. Esta revisión describe los aspectos actuales y futuros para una mejor reproducción. Los autores también afirman que todavía existe la necesidad de considerar la selección genética para el procedimiento de cría y el manejo de la reproducción (detección precoz del embarazo). IoT es la combinación perfecta para la agricultura inteligente y la ganadería lechera. En la investigación [ 24], los autores propusieron un modelo semántico basado en IoT para aplicaciones agrícolas. Según los autores, la medición del calor en el manejo de la fertilidad es la tarea más compleja. Se ha propuesto una herramienta para un mejor manejo de la fertilidad. La detección automática de celo es una herramienta que puede ayudar a administrar los métodos de reproducción y fertilidad. La máxima productividad en lugar de un rebaño más grande es el objetivo principal de los investigadores para satisfacer la creciente demanda del mercado. En investigación [ 25] los autores han empleado un gran almacén de datos en tiempo real en granjas lecheras. Esta investigación se centra en diferentes aspectos de la ganadería lechera inteligente, como la productividad de la leche, la detección de mastitis y la eficiencia alimentaria. Los autores proporcionan una aplicación práctica con integración de grandes flujos de datos. Esta investigación contribuye al desarrollo de una agricultura inteligente centralizada. La agricultura de precisión es una de las principales soluciones para satisfacer las necesidades lácteas en todo el mundo. Para implementar la agricultura de precisión, se enfrentan muchos desafíos como la integración de entidades heterogéneas. En investigación [ 26], los autores han propuesto un concepto novedoso de ontologías de marcos lácteos. Los autores crearon un proyecto llamado agriOpenLink para la integración de diferentes entidades heterogéneas en la ganadería lechera inteligente. Según su investigación, la ontología de la producción lechera se basa en la gestión del conocimiento que se puede mejorar aún más con la agricultura.

En esta era tecnológica, el negocio lácteo también es un negocio atractivo para los jóvenes, pero las demandas de los agricultores pueden variar según la ubicación. En la investigación [ 27 ], los autores describieron las diferentes mentalidades de las personas que se encuentran en diferentes áreas urbanas, periurbanas y rurales. Según la investigación, los agricultores que se encuentran en áreas urbanas tienen pequeñas fincas con un número limitado de vacas y están más preocupados por la producción de vacas que las áreas periurbanas y rurales. Los autores se centran en la alimentación de la vaca, porque una alimentación eficaz puede producir más leche. El concepto de ordeño robotizado no es nuevo, pero reducir el costo total de mano de obra y el costo de procedimiento es la tarea más desafiante en la producción lechera a gran escala. En investigación [ 28], los autores propusieron una novedosa tecnología de ordeño robótico que puede agarrar las garras de ordeño a las vacas. Este sistema contiene ordeño, limpieza y alimentación automatizados de las vacas. La alimentación robótica también es una característica de este sistema; este sistema puede calcular la efectividad del alimento para la producción de leche y el requerimiento nutricional de una vaca. El sistema de ordeño automatizado puede ayudar a reducir los costos laborales. En investigación [ 29] el autor describe una técnica de ordeño que puede detectar la enfermedad relacionada con la ubre como el pezón y la mastitis. Los investigadores propusieron un clasificador en cascada de Haar para la detección de pezones. Este clasificador es una técnica de procesamiento basada en imágenes que puede detectar diferentes enfermedades en la ubre de una vaca. Se han observado varios factores que pueden provocar bajas tasas de embarazo como la falta de requerimientos nutricionales. En la investigación [ 30 , 31 ], los autores han descrito datos estáticos que indican que el protocolo de inseminación artificial puede causar mayores posibilidades de embarazo que el proceso natural durante el verano.

2.2. Características de la producción lechera
El Internet de las cosas y las técnicas basadas en datos están creando mayores oportunidades para la producción lechera inteligente. Las diferentes características y sus beneficios se describen en la Tabla 4 .

Cuadro 4

Característica de SDF y sus aplicaciones.
2.3. Geofencing
Geofencing es una técnica basada en áreas en la que una aplicación u otras técnicas de programación pueden utilizar GPS, RFID, Wi-Fi o información celular para activar una actividad premodificada cuando un teléfono celular o etiqueta RFID ingresa o sale de la configuración de límite virtual alrededor de un área topográfica. , conocido como geovalla.

En la ganadería lechera, un agricultor equipa una manada de ganado con un dispositivo de hardware que consta de diferentes sensores y una unidad de rastreo GPS. Los sensores se utilizan para rastrear la salud animal y otros comportamientos clave para aumentar la producción y el bienestar general de los animales. La geovalla utiliza la red GPS y otros medios relacionados como nodos Wi-Fi y balizas Bluetooth para crear una geovalla alrededor del área del agricultor; luego, la geovalla se empareja con el collar para animales y la aplicación de software, y cuando el animal abandona esa área específica, activa las alertas para el granjero.

2.4. Detección automática de enfermedades
En la ganadería lechera, los animales pueden contraer diversas enfermedades debido a numerosas razones. Cuando hay muchos animales, controlar cada animal a diario es imposible y lleva mucho tiempo. Es un proceso largo y una tarea difícil de realizar de forma individual y manual, y la enfermedad del animal también es contagiosa, por lo que si no se detecta a tiempo, los otros animales también pueden infectarse y causar pérdidas. La producción de leche también se puede monitorear y controlar, y también se puede registrar cualquier cambio mínimo en el comportamiento animal. Por lo tanto, para atender esta situación y encontrar una forma automotriz de monitorear la salud de los animales, avanzamos hacia la detección automática de enfermedades.

Un animal que padece alguna enfermedad cambia sus hábitos de rutina diaria, como acostarse en un área diferente, separarse del rebaño o cambiar su hábito de comer. Los sensores que detectan cambios en el cuerpo del animal facilitan que un granjero detecte y trate a ese animal. El sensor montado puede detectar el comportamiento de un animal y registrarlo. Estos tipos de registros nos ayudan a tomar decisiones futuras, como llamar a un médico. Cualquier anomalía en este patrón se detecta fácilmente con la ayuda de sensores, y el agricultor será alertado a través de mensajes u otros medios. Por ejemplo, el agricultor puede analizar cualquier enfermedad con la ayuda de acelerómetros que miden el movimiento de los animales y se pueden capturar las actividades, por ejemplo, si el animal es menos activo en comparación con su rutina diaria. Al igual que cualquier otro sensor (por ejemplo, sensores de temperatura, sensores de carga, micrófonos,

2.5. Ordeño
El ordeño manual en una granja lechera es un procedimiento lento y que requiere mucho tiempo. El proceso de conservación de la leche tampoco es higiénico. El proceso manual puede provocar una infección bacteriana en la leche. IoT ha resuelto este problema de manera más eficiente, reduciendo costos y mano de obra, al introducir el ordeño automático. Si la temperatura no es favorable, las posibilidades de que la leche se eche a perder son muy altas, pero el ordeño automático puede conservar la leche automáticamente mediante el uso de diferentes tanques de enfriamiento inteligentes. Los sistemas habituales de ordeño automático se basan en dos componentes: una computadora y un software especial de gestión de rebaños. El ordeño automático se divide en varias tareas, como recoger al animal, limpiarlo antes del ordeño, colocar el equipo de ordeño, extraer la leche, retirar el equipo y sacar al animal del área especial. La producción de leche depende de la cantidad y calidad de la comida que se les dé a los animales. Cada vaca del rebaño es diferente; algunas pueden padecer alguna enfermedad, algunas son inmaduras o algunas pueden estar embarazadas. Cada vaca tiene su propia cantidad de nutrientes requeridos. Para asegurar que se le proporcionen al animal los nutrientes necesarios, esto no se puede hacer simplemente mirando el forraje; más bien tiene que ser procesado a través de un sistema mecanizado que mostrará la cantidad de carbohidratos y proteínas que recibe la vaca.

2.6. Suministro automático de agua y alimentos
El agua es un nutriente importante para todos los animales. Para el bienestar y la rentabilidad de los animales, es importante que las vacas tengan suficiente agua de calidad. La leche contiene casi un 87% de agua. Los requisitos de agua están estrechamente relacionados con la producción de leche, el contenido de humedad del alimento y factores ambientales como la temperatura y la humedad del aire. La red máxima de suministro de agua para el ganado se produce normalmente durante el período de mayor alimentación. El sistema de riego automático es estándar en la mayoría de las granjas porque es práctico y eficiente. El sistema consta de un piso aislado y un recipiente calentado, que se llena automáticamente con agua desde una línea de presión. Una válvula de flotador regula el nivel del agua en el recipiente. Un termostato de 4 a 6 ° C regula la temperatura del agua en el recipiente.

La comida es necesaria para la nutrición porque determina la cantidad de nutrientes disponibles para el animal para su salud y producción. Los alimentos reales o valiosos previenen la alimentación insuficiente o excesiva de nutrientes y promueven el uso eficaz de los nutrientes [ 32 ]. La subalimentación de nutrientes limita la producción y puede afectar la salud animal. La sobrealimentación de nutrientes aumenta los costos de alimentación, puede conducir a una carga nutricional excesiva del medio ambiente y puede ser demasiado tóxico o peligroso para la salud.

2.7. Marco para SDF
Esta investigación se centra en la ganadería y propone un marco con diferentes niveles. La arquitectura general se ha descrito en la Figura 3 . Un sensor portátil para capturar datos de vacas enviará datos a la puerta de enlace más cercana y, con la ayuda de Internet, los datos se transferirán a una estación base. La estación base envía los datos a la nube y la nube analizará los datos utilizando diferentes técnicas y métodos. IBM Cloud con plataforma basada en IoT analiza los datos con respecto a diferentes procedimientos; por ejemplo, cuando el sensor detecta la necesidad de hambre de las vacas, el sistema automatizado alimentará al animal. La ganadería lechera inteligente que está habilitada para IoT tiene algunas técnicas de gestión del rebaño para mantener los registros y los datos históricos.

figura 3

Marco para SDF.
Con estos datos, el ganadero también puede predecir los datos futuros de acuerdo con el entorno de la vaca. Después de analizar los datos capturados, la nube enviará las alertas al granjero para ayudar a la vaca. Este sistema de gestión de rebaños se puede aplicar a la ganadería lechera a gran escala cuando hay muchos animales. El sistema detectará automáticamente la necesidad y enviará una alerta al agricultor. Hay muchos factores que pueden causar una menor producción de leche, pero esta arquitectura general puede crear un ambiente confortable para una vaca. Será útil para las vacas y, en última instancia, puede aumentar la producción de leche.

3. Conclusión
En este mundo moderno, la producción lechera es un negocio atractivo que puede apoyarse para mejorar las condiciones económicas de un país. Esta investigación se centra en diferentes técnicas automatizadas como el ordeño y la alimentación. Estas dos técnicas son las técnicas eficientes clave que pueden ser el futuro de una granja lechera inteligente. Un método de alimentación eficiente y de bebida tecnológica puede conducir a una mejor nutrición de las vacas, que en última instancia puede ser la razón de una mayor producción de leche. Además, se ha propuesto un marco que puede ayudar al agricultor a aumentar la producción de leche. El sistema propuesto es una arquitectura general para una mejor adopción de las últimas técnicas para mejorar los procedimientos de alimentación y ordeño. El sistema con arquitectura general, mejor adaptación de la tecnología y diseño versátil puede hacer que la agricultura basada en IoT sea más eficiente.

Leer más

Dónde empezar con herramientas agrícolas de precisión gratuitas y de bajo costo, y por qué
Por Treena Hein
Tiempo de lectura: 3 minutos
Publicado: 6 de marzo de 2019
Cultivos

Los mapas de salud de cultivos ayudan a identificar áreas de preocupación en el campo. Foto: Cortesía de Paul Hermans
Tiempo de lectura: 3 minutos
Para los productores que buscan sumergirse en el grupo de la agricultura de precisión por un bajo costo y recompensas potencialmente sustanciales, la ayuda está aquí.

Las grandes ventajas que puede proporcionar la agricultura de precisión son en su mayoría bien conocidas. En resumen, la información es poder.

Por qué es importante : hay algunos puntos de entrada de menor costo a la agricultura de precisión para los agricultores que quieren probarla, pero no quieren hacer una gran inversión.

ARTÍCULOS RELACIONADOS

Equilibrio necesario entre rotación de cultivos, beneficios y productividad

Obtener el uso de nitrógeno más eficiente

La colocación de semillas es clave para garantizar el mayor potencial de rendimiento.

ANUNCIO

“No se puede administrar lo que no se puede medir y la utilización de sistemas de administración de datos rentables junto con su asesor de confianza puede generar muchos beneficios”, dice Steph Kowalski, líder de agronomía en Agromart Group con sede en Thorndale, Ontario. «Si simplemente administra un rincón húmedo de una granja de manera diferente en función de los datos de rendimiento o un simple mapa de imágenes de satélite que muestra un punto rojo durante toda la temporada, ya ha pagado su suscripción».

Un plan de campo y granja es una pequeña inversión en agricultura de precisión y un lugar para comenzar.

«Esto lo ayudará a colocar el producto correcto en el campo correcto, según el tipo de suelo, la rotación de cultivos y más, y es un servicio gratuito que ofrecemos a nuestros clientes», dice Paul Hermans, gerente de efectividad digital para el este de Canadá en Corteva Agriscience, que posee la marca Pioneer y el sistema de manejo de cultivos de precisión Encirca. «Puede hacer esto en una hoja de papel grande si lo desea o con un dibujo computarizado».

Kowalski cree que vale la pena analizar un muestreo de suelo más detallado.

ANUNCIO

“No es necesario que sean cuadrículas de 2.5 acres, pero dividir la finca por topografía, historial de rendimiento y / o experiencia / conocimiento pasado de la finca puede hacer que la bola avance hacia la gestión de zonas de manera diferente”, dice. «Todos conocemos las partes de nuestras granjas que se comportan de manera diferente, pero es necesario medirlas antes de administrarlas».

Plantación de tasa variable
La siembra de tasa variable es otra opción de pequeña precisión que requiere poco tiempo y no cuesta nada.

«Hemos visto ganancias de cinco a seis bushels adicionales en 2016 y 2017 en el este de Ontario por parte de los agricultores que lo usan, y predecimos que la mitad de la superficie de maíz y soja en los (Estados Unidos) se sembrará de esta manera para 2020», Hermans informa. “Para los clientes que aún no tienen esto en su sembradora, hay una aplicación gratuita de Pioneer Plantability en la que colocan híbrido, objetivo de rendimiento, etc. y les proporcionará una tasa de siembra genérica para ese campo, para que hacia abajo y cambie la rueda dentada. Cinco o seis bu. por acre suma «.

Kowalski también sugiere que los productores pregunten a sus minoristas de fertilizantes qué hay disponible en términos de servicios de aplicación de tasa variable, sin necesidad de inversión de capital para el productor.

ANUNCIO

“El fertilizante es uno de los mayores costos en la granja, por lo que si tiene la capacidad de manipularlo, o mejor colocarlo, está por delante de donde estaba antes”, explica.

«La cal o el fósforo y el potasio de clasificación variable pueden generar grandes ahorros, sin mencionar el beneficio social de practicar la administración de nutrientes 4R».

Imágenes de satélite simples
En los equipos en los que está habilitado el GPS, las plataformas de datos agrícolas de precisión general, como Fieldview, Encirca Pro, SMS, Agrian y MyJohnDeere, son económicas a aproximadamente $ 1 por acre y tienen ofertas similares, como mapas de rendimiento y uso de imágenes satelitales.

“Le da una mirada (a) las áreas buenas y malas del campo, y hemos descubierto que Encirca Pro detecta los problemas de siete a 10 días antes de lo que usted los detecta a través de sus propias observaciones”, dice Hermans. «Puede comenzar a determinar qué está sucediendo más rápido y tomar decisiones más rápidas para aumentar la productividad».

Un área problemática se detecta a través de imágenes de satélite y análisis de software de diferencias de densidad de vegetación (NDVI) y también altura de planta. Un cultivador puede haber omitido una aplicación de nitrógeno y luego puede hacer un tratamiento de rescate según el momento, dice Hermans, o detectar una infestación de ácaros o tratar los parches de malezas que el rociador pasó por alto.

Una inversión relativamente mayor de $ 5,000 a $ 15,000 (si ya tiene GPS) que Hermans recomienda encarecidamente es un monitor de rendimiento para la cosechadora. Él dice que una vez que se recopilan los datos de rendimiento, las diferentes zonas se vuelven claras y los agricultores pueden decidir mejor cómo actuar en esas zonas, ya sea que se trate de siembra de tasa variable o aplicaciones de fertilizantes u otras decisiones.

Leer más